在运行 python 脚本时，需要传入一些参数，常用的有如下三种方式。
sys.argv
sys 模块是 python 标准库提供的模块，它封装了与 python 解释器相关的数据；如 sys.modules 里面有已经加载了的所有模块信息，sys.path 里面是 PYTHONPATH 的内容，而 sys.argv 则封装了传入的参数数据。
sys.argv 是 list 类型，第一个值对应的是执行脚本的文件名，如 demo.py，从第二个值开始对应用户传入的自定义参数（如果存在），具体示例如下：
[dev@Linux ~]$ python demo.py knowledge dict
demo.py 代码如下：
import sys
print(sys.argv)
print(sys.argv[0])
print(sys.argv[1])
print(sys.argv[2])
输出如下：
['demo.py', 'knowledge', 'dict']
demo.py
knowledge
dict
argparse
argparse 是 Python 内置的一个用于命令项选项与参数解析的模块，通过在程序中定义好我们需要的参数，argparse 将会从 sys.argv 中解析出这些参数，并自动生成帮助和使用信息。
import argparse
parser = argparse.ArgumentParser(description='manual to this script')
parser.add_argument('--gpus', type=str, default = None)
parser.add_argument('--batch-size', type=int, default=32)
args = parser.parse_args()
print(args.gpus)
print(args.batch_size)
需要注意的是，脚本运行命令 python script.py -gpus=0,1,2 --batch-size=10 中的 --batch-size 会被自动解析成 batch_size。
parser.add_argument 方法的 type 参数理论上可以是任何合法的类型，但有些参数传入格式比较麻烦，例如 list，所以一般使用 bool、int、str 和 float 这些基本类型就行了，更复杂的需求可以通过 str 传入，然后手动解析。bool 类型的解析比较特殊，传入任何值都会被解析成 True，传入空值时才为 False。
tf.app.run
tensorflow 也提供了一种方便的解析方式。
脚本的执行命令为：
python script.py -gpus=0,1,2 --batch_size=10
对应的 python 代码为：
import tensorflow as tf
tf.app.flags.DEFINE_string('gpus', None, 'gpus to use')
tf.app.flags.DEFINE_integer('batch_size', 5, 'batch size')
FLAGS = tf.app.flags.FLAGS
def main(_):
print(FLAGS.gpus)
print(FLAGS.batch_size)
if __name__=="__main__":
tf.app.run()
tensorflow 只提供以下几种方法：
- tf.app.flags.DEFINE_string
- tf.app.flags.DEFINE_integer
- tf.app.flags.DEFINE_boolean
- tf.app.flags.DEFINE_float
四种方法，分别对应 str，int，bool 和 float 类型的参数。这里对 bool 的解析比较严格，传入1会被解析成 True，其余任何值都会被解析成 False。
tf.app.run() 会寻找并执行入口脚本的 main 方法。也只有在执行了 tf.app.run() 之后才能从 FLAGS 中取出参数。