optparse模块已弃用，与optparse相比较，argparse的API类似于optparse，甚至在很多情况下通过更新所使用的类名和方法名，使用argparse作为一个简单的替代。然而，有些地方在添加新特性时不能保持直接兼容性。
Python脚本传参的三种方式(sys.argv、argparse、tf.app.flags)
如果在运行python脚本时需要传入一些参数，可以使用如下方式。
python script 0,1,2 10
python script -gpus=0,1,2 --batch-size=10
python script -gpus=0,1,2 --batch_size=10
这三种格式对应不同的参数解析方式，分别为
前两者是python自带的功能，后者是tensorflow提供的便捷方式。
sys模块是很常用的模块， 它封装了与python解释器相关的数据，例如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。
使用sys.argv接收上面第一个命令中包含的参数方式如下：
import sys
gpus = sys.argv[1]
#gpus = [int(gpus.split(','))]
batch_size = sys.argv[2]
print(gpus)
print(batch_size)
python3 demo.py 123 321
123
321
argparse是python的命令行解析工具，可以在python代码中调用shell的一些命令。程序内部定义了需要使用的参数，argparse 会默认自动从 sys.argv中解析出对应的参数。argparse模块会自动生成帮助信息和使用提示，同时当用户使用无效参数时，会显示错误原因。
tensorflow的一些例子中用argparse来定义一些默认命令，通常是全局变量，也是用作和系统命令之间交互的全局设置。
【argparse官网】：https://docs.python.org/3.6/library/argparse.html
下面一个实例展示了argparse的基本使用方法:
import argparse
# 创建一个参数解析实例
parser = argparse.ArgumentParser(description='Parameters')
# 添加参数解析
parser.add_argument('--training_epoch', type=int, default=3000)
parser.add_argument('--learning_rate', type=float, default=0.001)
parser.add_argument('--model_name', type=str, default='lstm')
# 开始解析
# pycharm: args = parser.parse_args()
# jupyter: args = parser.parse_args(args=[])
args = parser.parse_args(args=[])
# 输出参数
print({args})
print(args.training_epoch)
print(args.learning_rate)
print(args.model_name)
# 参数的使用
epochs = args.training_epoch
lr = args.learning_rate
model = args.model_name
add_argument()方法的基本定义如下：
ArgumentParser.add_argument(name or flags...[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])
相关参数的含义如下：
argparse的parser.add_argument()函数中传入参数的type为常见的类型，如int，str，float等。
# nargs=3 限制该参数只能有3个输入
# required=True 该参数为必须输入项；required=False 该参数为可选输入项
parser.add_argument('--test_data', type=int, nargs=3, required=True)
test_data = args.test_data
print('test_data:', test_data)
在控制台下运行如下命令：
python main.py --test_data 1 2 3
可以看到 test_data 的输出结果为
# test_data: [1, 2, 3]
假设我们想给 test_data 输入多个参数，则可以使用 “nargs=‘+’”，如下所示：
# nargs='+' 该参数可以有多个输入
parser.add_argument('--test_data', type=int, nargs='+', required=True)
test_array = np.array(test_data) # 将传入的list转为array类型
test_array_new = test_array.reshape(-1, 3, 1)
print('test_array_new:', test_array_new)
# test_data: [[[1] [2] [3]]]
到这里，就得到了我们所需要的shape为(-1, 3, 1)的array，再将array作为入参传入我们Python的函数中即可。
【补充】：更多 list 类型参数的传入，可以参考博客：
在Tensorflow中，还可以使用flags定义命令行参数。
tf定义了tf.app.flags，用于接受命令行传递参数，相当于接受argv。首先调用自带的DEFINE_integer，DEFINE_float， DEFINE_string 等设置不同类型的命令行参数及其默认值。当然，也可以在终端用命令行参数修改这些默认值。
下面一个实例展示了tf.app.flags的基本使用方法:
import tensorflow as tf
flags = tf.app.flags
FLAGS = tf.app.flags.FLAGS
flags.DEFINE_integer('training_epoch', 3000, 'number of epochs to train.')
flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
flags.DEFINE_string('model_name', 'lstm', 'model name')
def main(_):
# 输出参数
print(FLAGS.training_epoch)
print(FLAGS.learning_rate)
print(FLAGS.model_name)
if __name__ == '__main__':
tf.app.run() #执行main函数
# 参数的使用
epochs = FLAGS.training_epoch
lr = FLAGS.learning_rate
model = FLAGS.model_name
虽然我们在样例代码中指定了argparse和tf.app.flags的默认参数，但是在实际运行中如果想传入自定义的参数，可以通过命令行模式和pycharm的IDE模式两种方式实现。
假定需要传入的自定义参数为：
training_epoch 为 1000
learning_rate 为 0.002
model_name 为 'lstm'
程序在控制台下运行时格式为：
python test.py --training_epoch 1000 --learning_rate 0.002 --model_name 'lstm'
在pycharm的IDE模式下，我们需要给程序事先指定好输入参数。点击“Run”菜单下的"Edit Configurations…"命令
在Parameters中填入如下参数：
参考博客：