你还没受够python原生字典的写法吗?用ml_collections试试吧

from ml_collections import ConfigDict# ========== 方式1：创建空的ConfigDict，最基础cfg = ConfigDict()# ========== 方式2：初始化时传入原生字典，一键创建cfg = ConfigDict({    "lr": 0.001,    "batch_size": 32,    "epochs": 100})# ========== 方式3：空配置逐步赋值创建cfg = ConfigDict()# 基础单层配置赋值cfg.lr = 0.001cfg.batch_size = 32cfg.epochs = 200# 配置支持所有Python基础数据类型cfg.device = "cuda"cfg.use_amp = Truecfg.weight_decay = 1e-5

from ml_collections import config_dict# 用 create 一次性写完所有嵌套配置cfg = config_dict.create(    # 数据集配置    data=config_dict.create(        dataset="cifar10",        data_dir="./data",        batch_size=32,        num_workers=4    ),    # 模型配置    model=config_dict.create(        backbone="resnet18",        num_classes=10,        dropout=0.2,        pretrained=True    ),    # 训练配置 + 嵌套的优化器子配置    train=config_dict.create(        epochs=200,        lr=0.001,        optimizer=config_dict.create(            name="adam",            weight_decay=1e-5        )    ))# 打印配置（可选）print("实验配置：", cfg)

from ml_collections import ConfigDict# 创建根配置cfg = ConfigDict()# --------------------------# 第一层：数据集相关配置（嵌套1层）# --------------------------cfg.data = ConfigDict()  # 先给data赋值为一个空的ConfigDictcfg.data.dataset_name = "cifar10"  # 数据集名称cfg.data.data_path = "./dataset/cifar10"  # 数据存放路径cfg.data.batch_size = 32  # 批次大小cfg.data.num_workers = 4  # 加载数据的线程数# --------------------------# 第一层：模型相关配置（嵌套1层）# --------------------------cfg.model = ConfigDict()cfg.model.backbone = "resnet18"  # 模型骨干网络cfg.model.num_classes = 10  # 分类任务的类别数cfg.model.dropout_rate = 0.2  # dropout正则化概率cfg.model.use_pretrain = True  # 是否使用预训练权重# --------------------------# 第一层：训练相关配置（嵌套2层）# --------------------------cfg.train = ConfigDict()cfg.train.epochs = 200  # 训练总轮数cfg.train.base_lr = 0.001  # 基础学习率# 训练配置里再嵌套：优化器的子配置（嵌套第二层）cfg.train.optimizer = ConfigDict()cfg.train.optimizer.name = "adam"  # 优化器名称cfg.train.optimizer.weight_decay = 0.00005  # 权重衰减# --------------------------# 取值：链式点语法，一层一层访问# --------------------------print("数据集名称：", cfg.data.dataset_name)print("模型骨干网络：", cfg.model.backbone)print("优化器名称：", cfg.train.optimizer.name)print("权重衰减系数：", cfg.train.optimizer.weight_decay)

from ml_collections import ConfigDictcfg = ConfigDict({    "lr":0.001,    "model": ConfigDict({"backbone":"resnet18"})})# ========== 方式1：点语法 读取print(cfg.lr)               # 输出：0.001print(cfg.model.backbone)   # 输出：resnet18# ========== 方式2：字典中括号语法 读取print(cfg["lr"])            # 输出：0.001print(cfg["model"]["backbone"]) # 输出：resnet18

from ml_collections import ConfigDictcfg = ConfigDict({"lr":0.001, "batch_size":32, "epochs":200})del cfg.epochs # 删除基础字段del cfg["batch_size"] # 用字典语法删除，等价print("删除后配置：", cfg) # 输出：lr: 0.001

from ml_collections import config_dictcfg = config_dict.ConfigDict()cfg.float_field = 12.6 # float类型cfg.integer_field = 123 # int类型cfg.another_integer_field = 234 # int类型cfg.nested = config_dict.ConfigDict()cfg.nested.string_field = 'tom' # str类型print(cfg.integer_field)  # Prints 123.print(cfg['integer_field'])  # Prints 123 as well.try:  cfg.integer_field = 'tom'  # 将str赋值给int类型，报错except TypeError as e:  print(e)cfg.float_field = 12  # int可以给float赋值，自动类型转换cfg.nested.string_field = u'bob'  # str赋值print(cfg)

from ml_collections import ConfigDict# 1. 创建配置并初始化【已有字段】cfg = ConfigDict()cfg.lr = 0.001cfg.batch_size = 32# 嵌套配置cfg.model = ConfigDict()cfg.model.dropout = 0.2# 2. 核心：执行上锁操作cfg.lock()# 上锁后 - 修改【已有字段】：正常生效，无报错 cfg.lr = 0.0005          # 修改根层级已有字段 ✔️cfg.batch_size = 64      # 修改根层级已有字段 ✔️cfg.model.dropout = 0.1  # 修改嵌套层级已有字段 ✔️print("修改后的值：", cfg.lr, cfg.batch_size, cfg.model.dropout)#  特性2：上锁后 - 新增【任何字段】：直接报错try:    cfg.epochs = 200     # 新增根层级字段 except AttributeError as e:    print("❌ 新增根字段报错：", e)try:    cfg.model.backbone = "resnet18"  # 新增嵌套层级字段 ❌except AttributeError as e:    print("❌ 新增嵌套字段报错：", e)# 特性3：上锁后 - 删除【任何字段】：直接报错 try:    del cfg.lr  # 删除根层级已有字段 ❌except AttributeError as e:    print("❌ 删除根字段报错：", e)try:    del cfg.model.dropout  # 删除嵌套层级已有字段 ❌except AttributeError as e:    print("❌ 删除嵌套字段报错：", e)

print(cfg.is_locked) # 上锁后返回 True，解锁后返回 False

cfg.unlock()

from ml_collections import ConfigDict# 1. 创建配置 + 赋值已有字段cfg = ConfigDict()cfg.lr = 0.001cfg.batch_size = 32cfg.model = ConfigDict()# 2. 上锁（核心前提）cfg.lock()print(f"初始上锁状态: {cfg.is_locked}")  # True# 临时解锁 with cfg.unlocked()# 特性：代码块内 临时解锁，可自由 新增/修改/删除 任何字段；代码块结束 自动重新上锁，无需手动操作with cfg.unlocked():    # ✅ 临时修改已有字段    cfg.lr = 0.0005    cfg.model.dropout = 0.1    # ✅ 临时新增字段（根+嵌套都可以）    cfg.epochs = 200    cfg.model.backbone = "resnet18"    # ✅ 临时删除字段    del cfg.batch_size# 验证：代码块结束后自动上锁 + 操作全部生效print(f"临时解锁后状态: {cfg.is_locked}")  # True 自动上锁print(f"修改后: {cfg.lr}, {cfg.model.dropout}")print(f"新增后: {cfg.epochs}, {cfg.model.backbone}")print(f"删除后batch_size是否存在: {'batch_size'in cfg}")  # False# 上锁状态下 依旧禁止新增/删除（安全兜底）try:    cfg.device = "cuda"except Exception as e:    print(f"\n上锁禁止新增: {e.args[0]}")

# 正确导入from ml_collections import ConfigDictfrom ml_collections.config_dict import FrozenConfigDict# ✔️ 方式1：ConfigDict 转 FrozenConfigDictcfg = ConfigDict()cfg.lr = 0.001cfg.batch_size = 32# 嵌套ConfigDict 正确写法cfg.model = ConfigDict()cfg.model.dropout = 0.2cfg.model.backbone = "resnet18"f_cfg = FrozenConfigDict(cfg)# ✔️ 方式2：直接创建 FrozenConfigDict (传字典)f_cfg2 = FrozenConfigDict({"lr":0.001, "batch_size":32})print("="*20)print("FrozenConfigDict只读配置：", f_cfg)print("是否为冰封配置：", isinstance(f_cfg, FrozenConfigDict)) # True# 所有【写操作】全部禁止# 1. ❌ 禁止修改已有字段try:    f_cfg.lr = 0.0005except AttributeError as e:    print(f"\n❌ 修改报错: {e}")# 2. ❌ 禁止新增字段try:    f_cfg.epochs = 200except AttributeError as e:    print(f"❌ 新增报错: {e}")# 3. ❌ 禁止删除字段try:    del f_cfg.batch_sizeexcept AttributeError as e:    print(f"❌ 删除报错: {e}")# 4. ❌ 无lock/unlock方法，天生只读，无需上锁try:    f_cfg.lock()except AttributeError as e:    print(f"❌ 无lock方法: {e}")# 唯一支持的操作：【读取】 print("\n" + "="*20)print("✅ 读取基础字段：", f_cfg.lr)print("✅ 读取嵌套字段：", f_cfg.model.dropout)print("✅ 字典方式读取：", f_cfg["batch_size"])

# 正确导入from ml_collections import ConfigDictfrom ml_collections.config_dict import FrozenConfigDict# ✔️ 转换1: ConfigDict → FrozenConfigDict (冻结，可变→不可变)cfg = ConfigDict({"lr":0.001, "batch_size":32})frozen_cfg = FrozenConfigDict(cfg)# ✔️ 转换2: FrozenConfigDict → ConfigDict (解冻，不可变→可变，恢复所有权限)unfrozen_cfg = ConfigDict(frozen_cfg)# 解冻后 ✅ 恢复全部操作权限：增/删/改 都可以unfrozen_cfg.lr = 1e-4        # 修改 ✔️unfrozen_cfg.device = "cuda"  # 新增 ✔️del unfrozen_cfg.batch_size   # 删除 ✔️print("✅ 解冻后ConfigDict：", unfrozen_cfg)