run_cv03.py

import argparse
import json

from cv03.main03 import main, CNN_MODEL, MEAN_MODEL

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--model', type=str, default=CNN_MODEL)
    parser.add_argument('--batches', type=int, default=500000)
    parser.add_argument('--batch_size', type=int, default=33)
    parser.add_argument('--lr', type=float, default=0.0001)
    parser.add_argument('--activation', type=str, default="relu")

    parser.add_argument('--gradient_clip', type=float, default=0.5)

    parser.add_argument('--proj_size', type=int, default=100)
    parser.add_argument('--seq_len', type=int, default=100)
    parser.add_argument('--vocab_size', type=int, default=20000)
    parser.add_argument('--emb_training', type=int, default=0)
    parser.add_argument('--random_emb', type=int, default=0)
    parser.add_argument('--emb_projection', type=int, default=1)
    parser.add_argument('--device', type=str, default="cpu")

    parser.add_argument('--cnn_architecture', type=str, default="C")
    parser.add_argument('--n_kernel', type=int, default=64)

    config = vars(parser.parse_args())
    config["learning_rate"] = config["lr"]  # for compatibility with tests

    config = {
        "model": CNN_MODEL,
        "batches": 500000,
        "batch_size": 33,
        "lr": 0.0001,
        "activation": "relu",

        "gradient_clip": 0.5,

        "proj_size": 100,
        "seq_len": 100,
        "vocab_size": 20000,
        "emb_training": False,
        "random_emb": False,
        "emb_projection": True,
        "device": "cpu",

        "cnn_architecture": "C",
        "n_kernel": 64,

    }
    main(config)