python中对象序列化及tensorflow的命令行参数解析

虽然这两天状态有些差，但是断断续续的看代码还是学到了一点东西，关于python中经常用到的对象序列化反序列化以及文件的读写操作；关于tensorflow中flags.py对命令行参数解析；以及对ubuntu系统安装的psensorCPU/GPU温度监控做一个总结，这种学到新东西的感觉真是圆满啊

序列化与反序列化

做分类分割模型的训练时，都不可能通过一张张图片训练集直接操作的，大部分情况下是对图片的灰度值进行操作；灰度值数据存入文件中，我们不可能单纯通过file.read() 或者file.readline()读取，很慢还麻烦；更多时候，我们是通过cPickle.load()将文件数据反序列化后存入对象，然后对对象（list或者tuple或者dict）进行切片操作选取部分数据或者其他操作，这样大大提高速度。
同样，当有些参数如weight/bias等需要保留至磁盘时，同样可以通过cPickle.dump()将数据对象序列化后存入文件。
具体示例如下：

"""以下为将data对象序列化后存入test.txt文件"""
>>> import cPickle as cp # 导入cPickle模块
>>> import numpy as np # 导入numpy模块
>>> data = np.random.randn(2,4,4,3) # 随机初始化一个[2,4,4,3]的正态分布，可以当作是两张4*4像素的3 channels 图片的灰度值
>>> data # 显示该矩阵数据
array([[[[-0.11245588,  0.46361267, -0.45861576],
         [ 1.08045987, -0.0912301 ,  1.8826123 ],
         [-0.51326317, -1.2739741 ,  0.96748474],
         [ 1.5503973 ,  0.06333209,  0.89981012]],

        [[ 0.29903728,  1.9080101 , -1.06983402],
         [-0.9695859 , -1.47038233,  0.95528392],
         [-1.02076298,  1.28100534,  0.48845259],
         [ 1.04841292, -0.01142226,  0.10188068]],

        [[ 0.3883587 ,  0.37042073, -0.0289424 ],
         [ 0.53593898,  1.71126688,  0.1262282 ],
         [ 0.92322512,  0.24725783,  0.8679894 ],
         [-0.36954911,  0.74044357, -0.44616424]],

        [[ 0.91045428, -0.24680013, -0.83070879],
         [-0.34094366,  1.7384725 , -0.33322178],
         [-0.75691129, -0.55346692, -0.06621144],
         [-0.18568211, -0.90673854,  0.25074295]]],


       [[[ 0.9069235 ,  0.60922932, -0.29551031],
         [-1.34363931,  0.57989501,  0.18441912],
         [-0.29126267, -0.28990356,  0.68273307],
         [-0.13870684, -0.453214  ,  1.02924452]],

        [[ 1.03025589, -0.20542393,  0.71855423],
         [-0.40312111, -0.09586122,  0.00740302],
         [ 0.54204646,  1.07633607, -0.23386144],
         [ 0.06289798,  0.02128197, -1.15631823]],

        [[ 1.12197064, -0.18423948, -0.61632741],
         [-1.38417149, -1.70282593,  0.42730971],
         [ 0.52566924,  0.24153171,  0.60613443],
         [-1.12691221, -1.67107417, -1.52135605]],

        [[-2.31999217, -0.57238608, -0.66098013],
         [ 1.72764717, -1.89471904,  0.36895925],
         [-1.67735118,  0.6438323 , -1.73313038],
         [-1.00737721, -0.60583479,  2.15804428]]]])
>>> file = open('./test.txt','wb') # 以二进制只写方式打开根目录下的test.txt文件，如果没有则创建一个test.txt文件
>>> cp.dump(data,file) # 调用cPickle中的dump()函数，将data序列化后传入test.txt文件
>>> file.close() # 数据写完后，关闭文件

经过上述操作后，根目录下出现一个test.txt文件，打开文件如下图2所示，由于以二进制方式写，所以通过文本方式打开为乱码；实际上，反序列化后查看对象，数据不会有任何问题

图1 为在根目录创建的test.txt文件
图2 为打开test.txt文件后显示内容

"""以下为将文件中数据反序列化后存入对象并查看数据"""
>>> FILE = open('./test.txt','rb') # 以二进制只读方式打开根目录下的test.txt文件
>>> DATA = cp.load(FILE) # 调用cPickle的load函数反序列化test.txt文件中数据送入DATA对象
>>> FILE.close() #文件用完后，记得关闭
>>> DATA # 查看DATA对象数据
array([[[[-0.11245588,  0.46361267, -0.45861576],
         [ 1.08045987, -0.0912301 ,  1.8826123 ],
         [-0.51326317, -1.2739741 ,  0.96748474],
         [ 1.5503973 ,  0.06333209,  0.89981012]],

        [[ 0.29903728,  1.9080101 , -1.06983402],
         [-0.9695859 , -1.47038233,  0.95528392],
         [-1.02076298,  1.28100534,  0.48845259],
         [ 1.04841292, -0.01142226,  0.10188068]],

        [[ 0.3883587 ,  0.37042073, -0.0289424 ],
         [ 0.53593898,  1.71126688,  0.1262282 ],
         [ 0.92322512,  0.24725783,  0.8679894 ],
         [-0.36954911,  0.74044357, -0.44616424]],

        [[ 0.91045428, -0.24680013, -0.83070879],
         [-0.34094366,  1.7384725 , -0.33322178],
         [-0.75691129, -0.55346692, -0.06621144],
         [-0.18568211, -0.90673854,  0.25074295]]],


       [[[ 0.9069235 ,  0.60922932, -0.29551031],
         [-1.34363931,  0.57989501,  0.18441912],
         [-0.29126267, -0.28990356,  0.68273307],
         [-0.13870684, -0.453214  ,  1.02924452]],

        [[ 1.03025589, -0.20542393,  0.71855423],
         [-0.40312111, -0.09586122,  0.00740302],
         [ 0.54204646,  1.07633607, -0.23386144],
         [ 0.06289798,  0.02128197, -1.15631823]],

        [[ 1.12197064, -0.18423948, -0.61632741],
         [-1.38417149, -1.70282593,  0.42730971],
         [ 0.52566924,  0.24153171,  0.60613443],
         [-1.12691221, -1.67107417, -1.52135605]],

        [[-2.31999217, -0.57238608, -0.66098013],
         [ 1.72764717, -1.89471904,  0.36895925],
         [-1.67735118,  0.6438323 , -1.73313038],
         [-1.00737721, -0.60583479,  2.15804428]]]])
>>> np.reshape(DATA,[-1,2,8,3]) # 对DATA数据进行reshape操作
array([[[[-0.11245588,  0.46361267, -0.45861576],
         [ 1.08045987, -0.0912301 ,  1.8826123 ],
         [-0.51326317, -1.2739741 ,  0.96748474],
         [ 1.5503973 ,  0.06333209,  0.89981012],
         [ 0.29903728,  1.9080101 , -1.06983402],
         [-0.9695859 , -1.47038233,  0.95528392],
         [-1.02076298,  1.28100534,  0.48845259],
         [ 1.04841292, -0.01142226,  0.10188068]],

        [[ 0.3883587 ,  0.37042073, -0.0289424 ],
         [ 0.53593898,  1.71126688,  0.1262282 ],
         [ 0.92322512,  0.24725783,  0.8679894 ],
         [-0.36954911,  0.74044357, -0.44616424],
         [ 0.91045428, -0.24680013, -0.83070879],
         [-0.34094366,  1.7384725 , -0.33322178],
         [-0.75691129, -0.55346692, -0.06621144],
         [-0.18568211, -0.90673854,  0.25074295]]],


       [[[ 0.9069235 ,  0.60922932, -0.29551031],
         [-1.34363931,  0.57989501,  0.18441912],
         [-0.29126267, -0.28990356,  0.68273307],
         [-0.13870684, -0.453214  ,  1.02924452],
         [ 1.03025589, -0.20542393,  0.71855423],
         [-0.40312111, -0.09586122,  0.00740302],
         [ 0.54204646,  1.07633607, -0.23386144],
         [ 0.06289798,  0.02128197, -1.15631823]],

        [[ 1.12197064, -0.18423948, -0.61632741],
         [-1.38417149, -1.70282593,  0.42730971],
         [ 0.52566924,  0.24153171,  0.60613443],
         [-1.12691221, -1.67107417, -1.52135605],
         [-2.31999217, -0.57238608, -0.66098013],
         [ 1.72764717, -1.89471904,  0.36895925],
         [-1.67735118,  0.6438323 , -1.73313038],
         [-1.00737721, -0.60583479,  2.15804428]]]])

tensorflow中的命令行解析

我们经常看到，在ubuntu的terminal下python xxx.py 时后面有时候会跟一些参数，如python xxx.py --name= 'yann'，事实上，这种在命令行下给入参数的方式是通过tensorflow.flags的方式进行操作的。test_flag.py文件如下：

#encoding:utf-8 
"""由于添加了中文注释，所以必须有上面那一句且要在中文注释之前"""
"""这是一个test_flag.py文件用于测试命令行参数解析"""

import tensorflow as tf
flags = tf.flags #flags是文件flags.py，用于处理命令行参数的解析工作
FLAGS = flags.FLAGS #FLAGS是flags中一个对象，保存了解析后的命令行参数

#以下为调用flags的DEFINE_string函数，变量为flag类型不可更改，但可通过命令行传入,变量保存在flags.FLAGS对象中
flags.DEFINE_string("model_name","default","name") 
#model_name为变量名，default为值，name为文档说明，用于解释model_name的使用
flags.DEFINE_string("model_url","www.baidu.com","url")


def main(argv=None): # argv=None必须要，表示可以传入参数
    print 'name:',FLAGS.model_name,'url:',FLAGS.model_url 
    #调用命令行输入的参数,如果没有输入则为定义时默认参数


if __name__ == "__main__": 
    tf.app.run() #解析命令行参数，调用main函数 main(sys.argv)
"""
如果我们是直接执行某个.py文件的时候，该文件中那么"__name__ == '__main__'"是True,则执行下面语句；但是我们如果从另外一个.py文件通过import导入该文件的时候，这时__name__的值就是我们这个py文件的名字而不是__main__。
这个功能还有一个用处：调试代码的时候，在if __name__ == '__main__':中加入一些我们的调试代码，我们可以让外部模块调用的时候不执行我们的调试代码，但是如果我们想排查问题的时候，直接执行该模块文件，调试代码能够正常运行！
"""

在terminal下执行：

yann@Y:~$ python test_flag.py 
name: default url: www.baidu.com
yann@Y:~$ python test_flag.py --model_name='yann' --model_url='www.bing.com'
name: yann url: www.bing.com

具体实施还是看代码注释，解释比较清楚了。不懂的东西就要多看两遍。关于tensorflow中命令行参数解析就是这样，其实可以理解为c语言中，# define name 'yann'

psensor温度监控安装

安装psensor不仅仅是在安装psensor，还有m-sensors和hddtemp，各种硬件的温度监控包；安装时在进行sudo sensors-detect时有询问的一律yes就可以；最后全部完成最好重启一下系统。

yann@Y:~$ sudo apt-get install lm-sensors hddtemp
yann@Y:~$ sudo sensors-detect
yann@Y:~$ sudo service module-init-tools start
yann@Y:~$ sudo apt-get install psensor

OK，今天的总结就这些；
状态不好的时候就要耐住性子看东西，很快状态就好了！