argparse传模型参数需显式指定type=int/float、choices限定枚举值、布尔参数用action='store_true'；构建模型应封装为build_model(args)函数，统一读取args并to(device)；实验ID需用关键超参生成唯一目录名，并保存完整config.json。
argparse 怎么传入模型结构参数（比如 model_name、hidden_size）
直接把模型相关参数当普通字符串或整数传，但要注意类型转换和默认值合理性。比如 hidden_size 必须是整数，不加 type=int 会导致后续报 TypeError: expected int；model_name 建议用 choices=['mlp', 'lstm', 'transformer'] 限定范围，避免拼错引发未定义分支。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 所有数值型超参必须显式指定
type=int或type=float，别依赖默认字符串解析 - 枚举类参数（如模型名、优化器名）一定要加
choices=...，配合help提示可选值 - 布尔开关不用
store_true就容易传错：比如--use_bn应设为action='store_true'，而不是type=bool（后者会把任意非空字符串转成True） - 避免用
default=None后在代码里手动判断，改用nargs='?'+ 显式默认值更可控
训练脚本里怎么根据 argparse 参数动态构建模型
别在 if args.model_name == 'mlp' 里重复写一堆 nn.Linear，而是把模型定义抽成函数，用参数驱动初始化。否则加个新模型就得改训练主逻辑，耦合太重。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写一个
build_model(args)函数，内部用getattr(torch.nn, args.model_name.upper())不靠谱——PyTorch 没这种映射，老实用if/elif分支，但只在这里分 - 把模型构造所需的全部参数（
input_dim、num_layers、dropout等）都从args读，不要硬编码 - 注意
args.device要在模型构建后立刻调用.to(args.device)，否则后续loss.backward()会报device mismatch - 如果模型含随机初始化（如
nn.Embedding），记得在build_model开头固定torch.manual_seed(args.seed)，否则不同实验间不可比
多个实验跑完后怎么避免结果覆盖或混淆
靠人工记命令行参数不可靠。最简单的办法是把关键超参拼成实验 ID，作为日志目录名或 checkpoint 前缀。否则你三天后看着 model_ckpt_epoch10.pth 根本不知道它对应的是 lr=1e-3 还是 lr=5e-4。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
f"exp_{args.model_name}_lr{args.lr:.0e}_bs{args.batch_size}"生成唯一标识，注意浮点数用科学计数法格式化，避免lr=0.001和lr=0.0010被当成两个实验 - 把完整
args用json.dump写入config.json到该实验目录下，方便回溯 - 别把所有实验输出塞进同一个
logs/目录——每个实验建独立子目录，用os.makedirs(log_dir, exist_ok=True) - 如果用 TensorBoard，
SummaryWriter(log_dir=...)的路径必须和 checkpoint 路径一致，否则可视化时找不到对应实验
为什么 argparse 解析后传给模型还会出错：常见隐性坑
最典型的是类型没对齐：比如命令行传 --num_epochs 10，但代码里写了 for epoch in range(args.num_epochs.item())——args.num_epochs 是 int，没有 .item() 方法，直接崩。
其他高频问题：
-
args.batch_size是字符串？检查是否漏了type=int，尤其从环境变量或 shell 变量传入时容易丢类型 -
args.data_path末尾带斜杠或不带，影响os.path.join拼接，建议统一用pathlib.Path(args.data_path).resolve() -
args.seed设为 0 时，某些库（如 NumPy）可能视为“不设种子”，应避开 0，用42或其他非零值 - 多卡训练时
args.world_size和args.rank必须由启动脚本（如torch.distributed.launch）注入，不能靠用户手动传，否则 DDP 初始化失败
参数管理本身不难，难的是每次新增一个超参，都要同步更新命令行解析、模型构建、日志命名、结果保存四个地方。少动一处，实验就不可复现。
