tf.app.run()Tensorflow 中的工作如何翻译演示？
在中tensorflow/models/rnn/translate/translate.py，有一个呼叫到tf.app.run()。如何处理？
if __name__ == "__main__":
tf.app.run()
tf.app.run()Tensorflow 中的工作如何翻译演示？
在中tensorflow/models/rnn/translate/translate.py，有一个呼叫到tf.app.run()。如何处理？
if __name__ == "__main__":
tf.app.run()
Answers:
if __name__ == "__main__":表示当前文件在shell下执行，而不是作为模块导入。
tf.app.run()如您所见，通过文件 app.py
def run(main=None, argv=None):
"""Runs the program with an optional 'main' function and 'argv' list."""
f = flags.FLAGS
# Extract the args from the optional `argv` list.
args = argv[1:] if argv else None
# Parse the known flags from that list, or from the command
# line otherwise.
# pylint: disable=protected-access
flags_passthrough = f._parse_flags(args=args)
# pylint: enable=protected-access
main = main or sys.modules['__main__'].main
# Call the main function, passing through any arguments
# to the final program.
sys.exit(main(sys.argv[:1] + flags_passthrough))
让我们逐行中断：
flags_passthrough = f._parse_flags(args=args)这样可以确保您通过命令行传递的参数有效，例如，
python my_model.py --data_dir='...' --max_iteration=10000实际上，此功能是基于python标准argparse模块实现的。
main = main or sys.modules['__main__'].main第一个main在右边=是当前函数的第一个参数run(main=None, argv=None)
。While sys.modules['__main__']表示当前正在运行的文件（例如my_model.py）。
因此有两种情况：
您没有的main功能，my_model.py那么您必须调用tf.app.run(my_main_running_function)
您在中具有main功能my_model.py。（通常是这种情况。）
最后一行：
sys.exit(main(sys.argv[:1] + flags_passthrough))确保使用解析后的参数正确调用您的main(argv)or my_main_running_function(argv)函数。
abseilTF必须吸收abseil.io/docs/python/guides/flags
这只是一个非常快速的包装程序，可以处理标志解析，然后分派到您自己的主程序。参见代码。
main = main or sys.modules['__main__'].main和 sys.exit(main(sys.argv[:1] + flags_passthrough))意味着什么？
main()呢？
简单来说，的工作tf.app.run()是首先设置全局标志以供以后使用，例如：
from tensorflow.python.platform import flags
f = flags.FLAGS
然后使用一组参数运行自定义的main函数。
例如，在TensorFlow NMT代码库中，用于训练/推理的程序执行的第一个入口点就是从这一点开始（请参见下面的代码）
if __name__ == "__main__":
nmt_parser = argparse.ArgumentParser()
add_arguments(nmt_parser)
FLAGS, unparsed = nmt_parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
在使用解析参数之后argparse，tf.app.run()您将运行函数“ main”，其定义如下：
def main(unused_argv):
default_hparams = create_hparams(FLAGS)
train_fn = train.train
inference_fn = inference.inference
run_main(FLAGS, default_hparams, train_fn, inference_fn)因此，在设置了供全局使用的标志之后，tf.app.run()只需运行main传递给它的函数argv作为其参数即可。
PS：正如萨尔瓦多·达利（Salvador Dali）的回答所说，我猜这只是一个很好的软件工程实践，尽管我不确定TensorFlow是否会执行main比使用常规CPython 进行的函数优化的运行。
Google代码很大程度上取决于要在库/二进制文件/ python脚本中访问的全局标志，因此tf.app.run（）解析出这些标志以在FLAGs（或类似的变量）中创建全局状态，然后调用python main（ ） 正如它应该。
如果他们没有对tf.app.run（）的调用，则用户可能会忘记进行FLAG解析，从而导致这些库/二进制文件/脚本无法访问所需的FLAG。
2.0兼容答：如果你想使用tf.app.run()中Tensorflow 2.0，我们应该使用的命令，
tf.compat.v1.app.run()或者您可以使用tf_upgrade_v2将1.x代码转换为2.0。
tf.flags.DEFINE_integer('batch_size', 128, 'Number of images to process in a batch.')，然后使用tf.app.run()它进行设置，以便可以全局访问所定义标志的传递值，例如tf.flags.FLAGS.batch_size从代码中需要的地方访问。