argparse很强大，但是我们未必需要使用这么繁杂的东西，TensorFlow自己封装了一个简化版本的解析方式，实际上是对argparse的封装

脚本化调用tensorflow的标准范式：

import pprintimport tensorflow as tfflags = tf.app.flags# 脚本参数名，值，描述# 脚本参数有四种取值：整数，浮点数，字符串，布尔类型，也是相比argv模块高级flags.DEFINE_integer("epoch", 25, "Epoch to train [25]")flags.DEFINE_float("learning_rate", 0.0002, "Learning rate of for adam [0.0002]")flags.DEFINE_string("sample_dir", "samples", "Directory name to save the image samples [samples]")flags.DEFINE_boolean("train", False, "True for training, False for testing [False]")FLAGS = flags.FLAGS# main必须带参数# 否则：'TypeError: main() takes no arguments (1 given)';# 其中main的参数名随意定义，无要求def main(_):    # flags.FLAGS.__flags为包含了所有输入的列表    pp = pprint.PrettyPrinter()    pp.pprint(flags.FLAGS.__flags)        # 也可以单个查询，格式为：FLAGS.参数名    if FLAGS.epoch is None:        FLAGS.epoch = 50if __name__=='__main__':    # 下面的函数会自动调用main函数    tf.app.run()

 

 作为参考，稍微提一下使用sys包接收脚本参数的格式：

import sysa=sys.argv[0]print(a)# 打印出脚本名

 tf的方法更为高级一些，自动区分参数类型，自动设定默认值，自动和参数名称对应，在tf脚本中，指定规定参数时只要：[脚本名 --参数名 参数值]即可，而且FLAGS可以直接传给函数增加便捷度：