經常在程序中看到有tf.app.flags和tf.app.run字樣的代碼，這兩段代碼究竟是什么作用，就讓我們從分析源碼的角度來加深理解！
tf.app.flags
tf.app.flags主要用于處理命令行參數的解析工作，其實可以理解為一個封裝好了的argparse包（argparse是一種結構化的數據存儲格式，類似于Json、XML）?，F在我們就從源碼來分析它究竟是怎么解析命令行參數的，應該怎么使用它！
源碼如下：
不出意外的首先導入了argparse包
使用argparse的第一步就是創(chuàng)建一個解析器對象，告訴它將會有些什么參數。當程序運行時，該解析器可以用于處理命令行參數（只能解析參數、獲取參數、設置已有參數的默認值等操作）。argparse中的解析器類是ArgumentParser。
定義了_FlagValues類，如我們前面所說，要處理命令行參數，就要用解析器類_global_parser里的方法來解析，這里使用了parse_known_args()這個函數，其實同parse_args函數差不多（注：這里說的parse_args()函數和此處_FlagValues類中定義的_parse_args()函數不一樣，前者也是argparse中一種解析參數的函數），只是這個函數在接受到多余的命令行參數時不會報錯，會原封不動的以一個list形式將其返回。所以此函數返回的”result“是參數解析完的數據，而”unparsed“是那些未被解析的參數list。將命令行傳入的命令和數據解析出來以字典的形式放到__dict__的['_flags']這個字典中，這么做也是為了方便我們后續(xù)直接訪問命令行輸入的命令，因為可以直接通過字典調用（在tensorflow中其實是通過tf.app.flag.Flags來實現實例化這個類，然后再調用里面解析得到的參數即可）。
初始化完了之后，可以看到源碼里是一些setattr/getattr的方法，也就是一些設置和獲得解析的命令行參數的方法。要注意的是，在獲得參數的時候（getattr），首先要通過解析字典中的’parsed’來檢驗參數是否已經被解析過，因為在_parse_flags方法中，只要解析過參數（也即是運行過該函數），那么self.__dict__[‘__parsed’]就會為True（表明解析過參數）。因為這里是獲取參數，所以出了要判斷參數是否在字典里的基本要求外，還要判斷有沒有解析過參數，沒有就運行_parse_flags解析參數。其它就比較簡單，這里就不介紹了！
后面將上述整個_FlagValues類的實例化，這樣就方便了我們的訪問操作。因為我們要訪問命令行輸入的命令時，就可以直接從這個實例里操作。
注意從這里開始都是在類外定義的方法，所以要調用就只能通過tf.app.flags.XXX來實現了。
下面的_define_helper函數中調用了_global_parser.add_argument完成對命令行參數的添加（傳入flag_name，default_value，docstring，flagtype參數），可以看到添加參數使用的是解析器類_global_parser的方法。仔細看這個函數的參數，第一個參數是‘--’+flag_name這個表示我們定義的命令行參數使用時必須以‘--’開頭，比如--flag_int9(具體看后面例子)，而第二個參數default_value是參數的默認值，第三個參數docstring保存幫助信息（命令行中輸入 -h激活該參數），第四個參數表示限定了賦予命令行參數數據的類型。
上面我們已經看到了使用_define_helper參數即可以添加命令行參數，這里源碼中又將其封裝為針對string/int/float/bool類型參數的特定添加方法**。
看DEFINE_string()，這里則由于_define_helper()最后一個type參數是str，上面我們關于_define_helper參數的解釋，說明DEFINE_string()限定了可選參數輸入必須是string，這也就是為什么這個函數定義為DEFINE_string()，同理，DEFINE_interger()限定可選參數必須是int，DEFINE_float()限定可選參數必須是float，DEFINE_boolean()限定可選參數必須是bool。
源碼中最后介紹的方法是在程序運行前先將某些命令行參數加入到”必備參數“（__required_flags）的字典中，以判斷解析完的參數是否滿足這些必備要求！因為mark_flags_as_required方法會調用mark_flag_as_required方法，來將當前傳入的參數加入到__required_flags字典中（_add_required_flag方法），在最上面解析參數的方法_parse_flags中，解析完參數會通過_assert_all_required方法判斷解析到的參數是否都在_required_flags字典中。
講了這么多，具體在tensorflow中我們該怎么使用呢？
首先我們通過tf.app.flags來調用這個flags.py文件，這樣我們就可以用flags.DEFINE_interger/float()來添加命令行參數，而FLAGS=flags.FLAGS可以實例化這個解析參數的類從對應的命令行參數取出參數。
新建test.py文件，并輸入如下代碼，代碼的功能是創(chuàng)建幾個命令行參數，然后把命令行參數輸出顯示
import tensorflow as tf
flags = tf.app.flags
flags.DEFINE_string('data_dir', '/tmp/mnist', 'Directory with the MNIST data.')
flags.DEFINE_integer('batch_size', 5, 'Batch size.')
flags.DEFINE_integer('num_evals', 1000, 'Number of batches to evaluate.')
FLAGS = flags.FLAGS
print(FLAGS.data_dir, FLAGS.batch_size, FLAGS.num_evals)
- 在命令行中輸入
test.py -h就可以查看幫助信息，也就是Directory with the MNIST data.，Batch size和Number of batches to evaluate這樣的消息。 - 在命令行中輸入
test.py --batchsize 10就可以將batch_size的值修改為10！
tf.app.run()
該函數一般都是出現在這種代碼中：
if __name__ == '__main__':
tf.app.run()
上述第一行代碼表示如果當前是從其它模塊調用的該模塊程序，則不會運行main函數！而如果就是直接運行的該模塊程序，則會運行main函數。
具體第二行的功能從源碼開始分析，源碼如下：
flags_passthrough=f._parse_flags(args=args)這里的parse_flags就是我們tf.app.flags源碼中用來解析命令行參數的函數。所以這一行就是解析參數的功能；
下面兩行代碼也就是tf.app.run的核心意思：執(zhí)行程序中main函數，并解析命令行參數！
