Tensorflow nmt的整体结构

本文主要是介绍Tensorflow nmt的整体结构，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Tensorflow nmt的整体结构　　

tensorflow/nmt项目的入口文件是nmt/nmt.py，通过指定不同的参数，可以从该入口进入到训练或者推断流程。首先来看一看，进入不同流程的时候，做了什么。　　

程序入口　　

首先我们可以看到这两个函数：　　

def main(unused_argv):default_hparams = create_hparams(FLAGS)train_fn = train.traininference_fn = inference.inferencerun_main(FLAGS, default_hparams, train_fn, inference_fn)if __name__ == "__main__":nmt_parser = argparse.ArgumentParser()add_arguments(nmt_parser)FLAGS, unparsed = nmt_parser.parse_known_args()tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

通过　python -m nmt.nmt --flags命令启动程序，开始进入到上面的 if __name__ == "__main__"流程。首先创建出命令行的参数解析器来解析参数设置，然后启动tensorflow的主函数。　　

也就是执行 def main(unused_argv)　函数，该函数首先根据解析出来的命令行参数，创建出超参数，超参数用于神经网络的各项设置中。然后创建出训练和推断函数，进入到这两个流程的判断逻辑。也就是开始执行 def run_main(flags, hparams, train_fn, inference_fn)　函数。　　

run_main()函数主要做了这么几件事情：　　
* 提取jobid和num_workers这几个参数，推断的时候使用　　
* 设置随机种子　　
* 创建模型输出路径　　
* 合并超参数，在命令行指定和文件指定两者都有的情况，需要合并超参数　　
* 判断进入训练还是推断流程，根据是否指定了inference_input_file这个flag，如果有则进入推断流程，否则进入训练流程　　

详细代码就不贴了。你可以到nmt/nmt.py文件查看。　　