详解python的if __name__ == ‘__main__‘和from __future__ import print_function

### TensorFlow 中 `flags.DEFINE_string` 的用法及 `'master'` 参数详解 #### 1. `flags.DEFINE_string` 的功能 `flags.DEFINE_string` 是 TensorFlow 提供的一种命令行参数解析工具，用于定义字符串类型的标志（flag）。通过该方法可以方便地设置程序运行时所需的配置项。调用此函数后，在脚本启动时可以通过命令行传递对应的值给这些标志[^2]。 示例代码如下： ```python import tensorflow as tf # 定义一个名为 'model_path' 的字符串型 flag，默认值为空字符串 '' flags.DEFINE_string('model_path', '', '模型保存路径') FLAGS = flags.FLAGS ``` 当上述代码被执行时，可以在终端中这样传入参数： ```bash python script.py --model_path=/path/to/model ``` 此时，`FLAGS.model_path` 的值会被设为 `/path/to/model`。 --- #### 2. `'master'` 参数的意义 在 TensorFlow 的分布式训练场景下，`'master'` 参数通常被用来指定集群中的主节点地址。它是一个字符串形式的 URL 地址，指向负责协调整个计算过程的任务管理器。对于单机或多机环境而言，这个参数的作用有所不同： - **单机模式** 如果是在本地机器上运行 TensorFlow 程序，则 `'master'` 可能默认为 `"local"` 或者留空。这种情况下表示所有的操作都在当前主机上的 CPU/GPU 上完成[^4]。 - **分布式模式** 当涉及到多个设备或者跨服务器部署时，`'master'` 应填写目标服务端的具体位置信息（如 IP 和端口号），以便客户端能够连接至正确的入口点并参与联合运算。 例如，在一个多机分布式的例子中可能看到这样的初始化语句： ```python cluster_spec = tf.train.ClusterSpec({ "worker": ["host1:port", "host2:port"], "ps": ["host3:port"] }) server = tf.distribute.Server(cluster_spec, job_name="worker", task_index=0, config=tf.ConfigProto(log_device_placement=True)) sess = tf.Session(server.target) # server.target 即包含了 master 的信息 ``` 这里 `server.target` 实际就是指代了 `'grpc://<hostname>:<port>'` 类似的格式作为输入提供给了 Session 创建函数。 因此总结来说，`'master'` 主要服务于定位到实际执行任务的核心控制单元之上；无论是简单的还是复杂的架构设计里都占据着不可或缺的地位。 --- ### 示例代码展示如何使用 `DEFINE_string` 设置 `'master'` 下面给出一段完整的 Python 脚本来演示如何结合两者一起工作： ```python from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow.compat.v1 as tf tf.disable_v2_behavior() def main(_): sess = tf.Session(FLAGS.master) if __name__ == "__main__": # Define the string type flag named 'master' flags.DEFINE_string('master', '', 'Address of the TensorFlow runtime.') tf.app.run() ``` 在此基础上，用户可通过 CLI 方式灵活调整 session 所依赖的服务实例链接地址。 ---