-
Notifications
You must be signed in to change notification settings - Fork 1
/
config.py
46 lines (39 loc) · 2.12 KB
/
config.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import os
import argparse
import torch
from NESS import col_index
def get_config(sysv):
parser = argparse.ArgumentParser(description='Training variables.')
parser.add_argument('--model_basename', default='baseline')
parser.add_argument('--log_dir', default='logs')
parser.add_argument('--body', action='store_true', default=False)
parser.add_argument('--variance', action='store_true', default=False)
parser.add_argument('--lfb', action='store_true', default=False)
parser.add_argument('--batch_size', type=int, default=torch.cuda.device_count())
parser.add_argument('--num_epochs', type=int, default=50)
parser.add_argument('--lr', type=float, default=0.00001)
parser.add_argument('--window', type=int, default=2)
parser.add_argument('--dataset_root', default='/import/nobackup_mmv_ioannisp/shared/datasets/NESS/dataset')
parser.add_argument('--dataset_name', default='NESS')
parser.add_argument('--dataset_subsection', default='faces')
parser.add_argument('--scale', default='panss')
parser.add_argument('--label_path', default='panss_labels.json')
parser.add_argument('--symptom_names', nargs='+', default=['N3: Poor Rapport', 'N6: Lack of Spontaneity', 'N1: Blunted Affect', 'total'])
parser.add_argument('--input_shape', nargs='+', default=[224, 32])
parser.add_argument('--downsample', type=int, default=8)
parser.add_argument('--pretrained', help='dir of pretrained files')
parser.add_argument('--lamda', type=float, default=1.0)
parser.add_argument('amigos', nargs='+', default=[])
parser.add_argument('amigos_ignore', nargs='+', default=[])
#contrastive
parser.add_argument('--temperature', type=float, default=0.07)
parser.add_argument('--n_views', type=int, default=2)
args, _ = parser.parse_known_args(sysv)
if args.dataset_name == 'NESS':
args.symptoms = col_index(args.symptom_names, args.scale)
else:
args.symptoms = list(range(len(args.symptom_names)))
# now = datetime.now().strftime('%b%d_%H-%M-%S_')
# args.log_dir = os.path.join('logs', now + args.model_basename)
# args.lfb = True
return args