进 Q 学术交流群：922230617 或加 CV_EDPJ 进 W 交流群
目录
0. 前言
1. 版本 1：最原始写法——Config 写死
1.1 完整代码
1.2 修改方式
1.3 优缺点
1.4 适用场景
2. 版本 2：常用标准——原生 argparse
2.1 完整代码
2.2 命令行修改
2.3 优缺点
2.4 重点补充：原生 bool 致命 BUG
2.5 适用场景
3. 版本 3：精简 argparse——simple-parsing
3.1 完整代码
3.2 命令行修改
3.3 优缺点
3.4 适用场景
4. 版本 4：严格类型校验——Pydantic
4.1 完整代码
4.2 命令行修改
4.3 优缺点
4.4 类型校验实战演示（核心对比）
4.5 适用场景
5. 版本 5：无 yaml 纯代码——OmegaConf 字典版
5.1 完整代码
5.2 命令行修改
5.3 优缺点
5.4 适用场景
6. 版本 6：有 yaml 文件——OmegaConf 多 yaml 合并版
6.1 文件结构
6.2 基础配置 base.yaml
6.3 覆盖配置 bottle.yaml
6.4 主代码 train.py
6.5 运行方式（三种覆盖优先级 + 合并最终结果）
6.6 优缺点
6.7 适用场景
7. 六种写法横向对比
8. 选择建议
9. 总结
0. 前言
在深度学习、AI科研、Python工程项目中，参数配置管理是每一个开发者必须掌握的基础能力。
很多初学者疑惑：
本文使用最简单、最直白、循序渐进的方式，整理目前业内 6 种主流配置写法。
全部使用统一参数模板（覆盖常用类型）：
int：epoch
float：learning_rate
str：dataset
bool：data_aug（数据增强开关）
int list：image_size
str list：categories
每种写法包含：完整代码 + 命令行修改方式 + 优缺点 + 适用场景。
1. 版本 1：最原始写法——Config 写死
1.1 完整代码
def train(cfg): print(cfg)if __name__ == '__main__': # 纯字典配置 config = { "epoch": 10, # int "learning_rate": 5e-4, # float "dataset": "mvtec", # str "data_aug": True, # bool "image_size": [224, 512, 1024], # int list "categories": ["bottle", "cable", "capsule"] # str list } train(config)
1.2 修改方式
必须打开 py 文件，手动修改数值。
1.3 优缺点
✅ 最简单、无任何学习成本
❌ 不能命令行修改、不能批量实验、代码污染、不规范
1.4 适用场景
个人临时测试、小脚本、不需要反复调参。
2. 版本 2：通用标准——原生 argparse
2.1 完整代码
import argparsedef train(args): print(args)if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument("--epoch", type=int, default=10) parser.add_argument("--learning_rate", type=float, default=5e-4) parser.add_argument("--dataset", type=str, default="mvtec") parser.add_argument("--data_aug", type=bool, default=True) parser.add_argument("--image_size", type=int, nargs='+', default=[224, 512, 1024]) parser.add_argument("--categories", type=str, nargs='+', default=["bottle", "cable", "capsule"]) args = parser.parse_args() train(args)
2.2 命令行修改
python train.py --epoch 20 --learning_rate 1e-4 \--image_size 256 512 --categories bottle capsule
2.3 优缺点
✅ 官方自带、无需安装包、支持命令行、开源通用
❌ 代码冗余、重复啰嗦、list 需要 nargs='+'、原生 bool 存在致命 BUG
2.4 重点补充：原生 bool 致命 BUG
argparse 中直接使用 type=bool 是错误写法！
命令行传入 --data_aug False 永远为 True，因为命令行传参默认字符串，非空字符串全部被 bool 判定为 True。
正确写法：必须手动定义 str2bool 转换函数
def str2bool(v): if isinstance(v, bool): return v if v.lower() in ('yes', 'true', 't', 'y', '1'): return True elif v.lower() in ('no', 'false', 'f', 'n', '0'): return False else: raise argparse.ArgumentTypeError('Boolean value expected.')# 使用方式parser.add_argument("--data_aug", type=str2bool, default=True)
2.5 适用场景
传统深度学习开源项目、论文代码、服务器集群运行。
3. 版本 3：精简 argparse——simple-parsing
3.1 完整代码
from dataclasses import dataclassfrom simple_parsing import ArgumentParser@dataclassclass Config: epoch: int = 10 learning_rate: float = 5e-4 dataset: str = "mvtec" data_aug: bool = True # Python 列表坑：直接赋值有风险，推荐 None + __post_init__ image_size: list[int] = None categories: list[str] = None def __post_init__(self): if self.image_size is None: self.image_size = [224, 512, 1024] if self.categories is None: self.categories = ["bottle", "cable", "capsule"]def train(cfg): print(cfg)if __name__ == '__main__': parser = ArgumentParser() parser.add_arguments(Config, dest="cfg") cfg = parser.parse_args().cfg train(cfg)
3.2 命令行修改
python train.py --epoch 20 --image_size 256 768
3.3 优缺点
✅ 极度简洁、保留 argparse 全部命令行能力
❌ list 存在 Python 原生坑，直接赋值有风险，推荐 None + __post_init__，或使用不可变的 tuple 替代 list
3.4 适用场景
个人科研、不想写冗长 argparse、追求简洁。
4. 版本 4：严格类型校验——Pydantic
4.1 完整代码
from pydantic import BaseModelclass Config(BaseModel): epoch: int = 10 learning_rate: float = 5e-4 dataset: str = "mvtec" data_aug: bool = True image_size: list[int] = [224, 512, 1024] # 无需 def，直接写 categories: list[str] = ["bottle", "cable", "capsule"]def train(cfg): print(cfg)if __name__ == '__main__': # 简易命令行覆盖（零依赖） import sys kwargs = dict(arg.split("=") for arg in sys.argv[1:]) cfg = Config(**kwargs) train(cfg)
4.2 命令行修改
python train.py epoch=20 image_size=[256,768]
4.3 优缺点
✅ 列表无坑、不用 def、强类型严格校验、工业级稳定
❌ 命令行语法不如原生 argparse 直观
4.4 类型校验实战演示（核心对比）
为直观体现 Pydantic 强类型校验和 OmegaConf 弱校验区别，执行错误传参（把 int 类型的 epoch 传入字符串）：
错误命令行：
python train.py epoch="我是字符串"
1）Pydantic 运行结果（直接报错）：
抛出 ValidationError 异常，提示 epoch 应为整数，传入字符串非法，代码直接终止，杜绝错误参数流入训练流程。
2）OmegaConf 运行结果（自动弱转换）：
无任何报错，自动把字符串转为字符串类型，静默接收非法参数。
重点：不会在此处报错，但训练使用该参数运算时一定会崩溃。
总结：Pydantic 强制约束参数类型，规避 bug；OmegaConf 宽松兼容，不做强制拦截。
4.5 适用场景
工程项目、部署项目、需要严格类型检查。
5. 版本 5：无 yaml 纯代码——OmegaConf 字典版
5.1 完整代码
from omegaconf import OmegaConfdef train(cfg): print(cfg)if __name__ == '__main__': # 外置原生字典 config = { "epoch": 10, "learning_rate": 5e-4, "dataset": "mvtec", "data_aug": True, "image_size": [224, 512, 1024], "categories": ["bottle", "cable", "capsule"] } # 普通字典转为 OmegaConf 对象 cfg = OmegaConf.create(config) # 融合命令行参数（合并覆盖） cfg = OmegaConf.merge(cfg, OmegaConf.from_cli()) train(cfg)
或者直接使用 create 创建：
from omegaconf import OmegaConfdef train(cfg): print(cfg)if __name__ == '__main__': cfg = OmegaConf.create({ "epoch": 10, "learning_rate": 5e-4, "dataset": "mvtec", "data_aug": True, "image_size": [224, 512, 1024], "categories": ["bottle", "cable", "capsule"] }) # 命令行自动合并覆盖 cfg = OmegaConf.merge(cfg, OmegaConf.from_cli()) train(cfg)
5.2 命令行修改
python train.py epoch=20 categories=[bottle,capsule]
5.3 优缺点
✅ 写法自由、列表无坑、不用定义类、不用 def
❌ 无强制类型校验，自动弱转换类型
5.4 适用场景
科研快速迭代、喜欢字典写法、讨厌模板代码。
6. 版本 6：有 yaml 文件——OmegaConf 多 yaml 合并版
6.1 文件结构
├── train.py└── config/ ├── base.yaml └── bottle.yaml
6.2 基础配置 base.yaml
epoch: 10learning_rate: 5e-4dataset: "mvtec"data_aug: trueimage_size: [224, 512, 1024]categories: ["bottle", "cable", "capsule"]
6.3 覆盖配置 bottle.yaml
epoch: 20data_aug: falseimage_size: [256, 768]categories: ["bottle"]
6.4 主代码 train.py
from omegaconf import OmegaConfdef train(cfg): print(cfg)if __name__ == '__main__': # 多文件合并：基础配置 + 个性化配置 cfg = OmegaConf.load("config/base.yaml") cfg2 = OmegaConf.load("config/bottle.yaml") cfg = OmegaConf.merge(cfg, cfg2) # 命令行最高优先级覆盖 cfg = OmegaConf.merge(cfg, OmegaConf.from_cli()) train(cfg)
6.5 运行方式（三种覆盖优先级 + 合并最终结果）
优先级：命令行 > 个性化yaml > 基础yaml
合并规则：后加载的配置 覆盖 先加载的同名键，不同键保留全部，无冲突合并。
1）仅合并两个 YAML 文件（无命令行）
base.yaml + bottle.yaml 合并结果：
epoch: 20learning_rate: 5e-4dataset: "mvtec"data_aug: falseimage_size: [256, 768]categories: ["bottle"]
2）追加命令行覆盖（最高优先级）
# 命令行临时覆盖（最高优先级）python train.py learning_rate=1e-3 image_size=[512,1024]
最终完整合并结果：
epoch: 20learning_rate: 1e-3dataset: "mvtec"data_aug: falseimage_size: [512,1024]categories: ["bottle"]
6.6 优缺点
✅ 支持多配置合并、分层管理、批量实验、业内标准
✅ 列表 bool 无任何坑、命令行极其顺滑
❌ 需要管理 yaml 文件，新手稍微抽象
6.7 适用场景
大厂项目、SOTA 论文、大规模调参、多实验管理。
7. 六种写法横向对比总结
方案 | 列表是否要 def | 命令行 | 多配置合并 | 难度 | 推荐指数 |
|---|
Config | 不需要 | 不支持 | 不支持 | 极低 | ⭐ |
原生 argparse | 不需要 | 完美支持 | 不支持 | 中 | ⭐⭐⭐ |
simple-parsing | 必须写 | 完美支持 | 不支持 | 低 | ⭐⭐⭐⭐ |
Pydantic | 不需要 | 简易支持 | 不推荐 | 低 | ⭐⭐⭐⭐ |
OmegaConf 字典 | 不需要 | 完美支持 | 支持 | 极低 | ⭐⭐⭐⭐⭐ |
OmegaConf-YAML | 不需要 | 完美支持 | 最强支持 | 中 | ⭐⭐⭐⭐⭐ |
8. 选择建议
自己随便跑代码、不爱折腾 → Config / Pydantic
开源投稿、要通用、兼容服务器 → 原生 argparse
喜欢类写法、又不想写冗长 argparse → simple-parsing
追求极简、无坑、自由灵活 → OmegaConf 字典版
做科研批量实验、多组参数、分层配置 → OmegaConf + YAML（终极方案）
9. 全文总结
本文从最简单的字典硬编码开始，循序渐进演示了深度学习六种主流配置方案，覆盖开发中全部常用参数类型：int、float、str、bool、int list、str list。结合实战对比、类型校验、合并规则、命令行用法，清晰区分各类配置库的底层差异。
1）所有配置库本质完全一致：默认参数 + 外部优先级覆盖。
- 没有任何一种配置能做到 “不用改文件”，静态配置都需要手动编辑；
- 真正的差距在于：是否支持命令行临时覆盖、是否做类型校验、是否支持多文件合并。
2）原生 argparse 缺点明显：
- 代码冗长、list 必须 nargs、bool 存在原生 BUG，必须手写 str2bool 转换函数，
3）simple-parsing 简化 argparse，但存在 Python 列表默认值坑：
- list 最好赋值 None + __post_init__，使用有门槛。
4）Pydantic 与 OmegaConf 是目前主流优选，二者区别通俗易懂：
5）OmegaConf 容错机制提醒：
- 错误参数不会在初始化时报错，但一定会在训练运算、梯度计算时崩溃，且排查难度更大。
10个月宝宝每天需要喝多少奶粉？
