怎么調試TensorFlow

本篇內容主要講解“怎么調試TensorFlow”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么調試TensorFlow”吧!

TensorFlow從誕生以來就一直在深度學習框架中穩居老大的位置，雖然自從2018年12月PyTorch 1.0 stable版本正式發布以來，很快減小了差距，但是也難以超越。

TensorFlow的強項在于部署（包括TensorFlow Lite在移動端部署）和運行效率，另外對各種operation的支持特別齊全，基本上你能想到的算子都已經實現好了，直接調用就好。除此之外，Google Brain的各項前沿研究，以及現在DeepMind的很多研究，開源代碼肯定都是基于TensorFlow，比如現在很火的AutoML技術等等，所以成為No.1也是自然而然。

但是又不得不吐槽其調試功能，真是太難用了。這也直接導致了TensorFlow的學習曲線異常之陡，和vim的類似，學起來很難很痛苦，但是學好之后，那是相當地爽。

那么，TensorFlow怎么調試呢？使用斷點還是print？亦或是高大上的tfdbg？都不是。

由于TensorFlow靜態圖的設計（eager模式除外，這個后面單獨討論），設置斷點根本無法獲取實際tensor的值，具體取值都在后臺以C++的方式執行。那print呢？也只能打印出tensor的shape信息。tfdbg，這個官方開發的專用工具該行了吧？不過我建議還是不要嘗試了，不僅要一點一點敲命令，我在debug大型程序的時候，直接卡死。

對了，還有一種暴力方法，我最開始的時候在使用，就是把tensor拉出來sess.run一把，這樣的確可以得到tensor運行的具體值，但是每次要手動改，很麻煩。

好了，神器要出來了：tf.Print. 在老版本的TensorFlow中可以這么用，非常方便：

x = tf.Print(x,[x, x,shape, x[0], …], message=“x debug info”, summarize=100)

其中，x是需要打印的tensor，注意第一個輸入是x和輸出相同，但其實也可以不同，做一些操作，但一般debug不需要，所以等式左邊的輸出也是x.

第二個輸入在方括號內表示需要打印的東西，可以是tensor x的具體值，或者是其shape，slice，甚至是函數。

第三個輸入message用來標識這一處打印，可以自定義字符串。

最后的summarize控制輸出元素的數量，比如100就輸出x的前100個元素。

對于新版的TensorFlow，使用tf.print，語法如下：

        print_op = tf.print(x)

        withtf.control_dependencies([print_op]):

          out = tf.add(x, x)

        sess.run(out)

很方便吧？

雖然不如直接在PyCharm中設置斷點方便，但能把tensor打印出來定位問題也就容易多了。當然，如果是學習代碼，想單步跟蹤，建議使用eager模式，這就和PyTorch的方式非常相近了，當然，犧牲的是運行效率。

到此，相信大家對“怎么調試TensorFlow”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！