怎么調(diào)試TensorFlow

本篇內(nèi)容主要講解“怎么調(diào)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(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“怎么調(diào)試TensorFlow”吧!

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

TensorFlow的強(qiáng)項(xiàng)在于部署（包括TensorFlow Lite在移動(dòng)端部署）和運(yùn)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(jīng)實(shí)現(xiàn)好了，直接調(diào)用就好。除此之外，Google Brain的各項(xiàng)前沿研究，以及現(xiàn)在DeepMind的很多研究，開源代碼肯定都是基于TensorFlow，比如現(xiàn)在很火的AutoML技術(shù)等等，所以成為No.1也是自然而然。

但是又不得不吐槽其調(diào)試功能，真是太難用了。這也直接導(dǎo)致了TensorFlow的學(xué)習(xí)曲線異常之陡，和vim的類似，學(xué)起來很難很痛苦，但是學(xué)好之后，那是相當(dāng)?shù)厮?/p>

那么，TensorFlow怎么調(diào)試呢？使用斷點(diǎn)還是print？亦或是高大上的tfdbg？都不是。

由于TensorFlow靜態(tài)圖的設(shè)計(jì)（eager模式除外，這個(gè)后面單獨(dú)討論），設(shè)置斷點(diǎn)根本無法獲取實(shí)際tensor的值，具體取值都在后臺以C++的方式執(zhí)行。那print呢？也只能打印出tensor的shape信息。tfdbg，這個(gè)官方開發(fā)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(diǎn)一點(diǎn)敲命令，我在debug大型程序的時(shí)候，直接卡死。

對了，還有一種暴力方法，我最開始的時(shí)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(yùn)行的具體值，但是每次要手動(dòng)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(gè)輸入是x和輸出相同，但其實(shí)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(gè)輸入在方括號內(nèi)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(shù)。

第三個(gè)輸入message用來標(biāo)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(shù)量，比如100就輸出x的前100個(gè)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(shè)置斷點(diǎn)方便，但能把tensor打印出來定位問題也就容易多了。當(dāng)然，如果是學(xué)習(xí)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(dāng)然，犧牲的是運(yùn)行效率。

到此，相信大家對“怎么調(diào)試TensorFlow”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！