tensorflow实现在函数中用tf.Print输出中间值

tensorflow由于其基于静态图的模式，导致写代码的时候很难调试，除了用官方的调试工具外，最直接的方法就是把中间结果输出出来查看，然而，直接用print函数只能输出tensor变量的形状，而不是数值，想要输出tensor的具体数值需要用tf.Print函数。网上有很多关于这个函数使用方法的说明，这里简要介绍：

Print(
 input_,
 data,
 message=None,
 first_n=None,
 summarize=None,
 name=None
 )

参数：

input_：通过这个操作的张量。 （流入的数据流）

data：计算 op 时要打印的张量列表。（用[ ]引起来的一串需要打印的东西，用逗号隔开）

message：一个字符串，错误消息的前缀。

first_n：只记录 first_n 次数。负数日志，这是默认的。

summarize：只打印每个张量的固定数目的条目。如果没有，则每个输入张量最多打印3个元素。

name：操作的名称（可选）

然而网上大部分资源都是介绍如何在主函数中先建立一个op，再开启一个Session执行sess.run(op)的方法，但是如果想要输出函数中的中间值而该值又未传回主函数呢？这种情况下无法在函数中开启一个新的Session，但是仍然可以用tf.Print建立op来实现。

import tensorflow as tf
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0"

def test():
 a=tf.constant(0)
 for i in range(10):
  a_print = tf.Print(a,['a_value: ',a])
  a=a_print+1
 return a

if __name__=='__main__':
 with tf.Session() as sess:
  sess.run(test())

运行结果：

a_print可以理解为在图中新增了一个节点，在后续代码中当有别的变量使用了a_print时（如上例a=a_print+1），就会有数据从a_print节点上流过，就会输出值，而究竟会输出几次值呢？这其实并不是看下文中a_print被使用了几次，而是看数据流要从该节点上流经几次，可以理解为a_print这个op被“定义”了几次。

def test():
 a=tf.constant(0)
 a_print = tf.Print(a,['a_value: ',a])
 for i in range(10):
  a=a_print+1
 return a

if __name__=='__main__':
 with tf.Session() as sess:
  sess.run(test())

如果把test()函数改成这样，则运行结果为：

输出仅被执行了一次，因为a_print这个op只被定义了一次，虽然后面在循环里不断被a使用，但是数据只从它身上经过了一次，所以只会print一次，并且a_print的值永远为0，最终返回的a的值也为1。

再把代码改成下例：

def test():
 a=tf.constant(0)
 a_print = tf.Print(a,['a_value: ',a])
 for i in range(10):
  a_print=a_print+1
 return a

if __name__=='__main__':
 with tf.Session() as sess:
  sess.run(test())

运行结果是什么也不会输出，因为a_print这个op没有和别的变量发生关系，它没有被别的变量使用，在图里为孤立的一个节点，没有数据流过，就不会被执行。

而如果改成这样

def test():
 a=tf.constant(0)
 a_print = tf.Print(a,['a_value: ',a])
 for i in range(10):
  a_print=a_print+1
 return a_print

if __name__=='__main__':
 with tf.Session() as sess:
  sess.run(test())

运行结果

返回的a_print值为10也是正确的，因为a_print在下文被返回，所以有数据流流经，会被执行，而因为a_print的定义只执行一次，所以只会输出一次。

以上这篇tensorflow实现在函数中用tf.Print输出中间值就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

赞 (0)

相关推荐

  • Tensorflow中使用tfrecord方式读取数据的方法

    前言 本博客默认读者对神经网络与Tensorflow有一定了解,对其中的一些术语不再做具体解释.并且本博客主要以图片数据为例进行介绍,如有错误,敬请斧正. 使用Tensorflow训练神经网络时,我们可以用多种方式来读取自己的数据.如果数据集比较小,而且内存足够大,可以选择直接将所有数据读进内存,然后每次取一个batch的数据出来.如果数据较多,可以每次直接从硬盘中进行读取,不过这种方式的读取效率就比较低了.此篇博客就主要讲一下Tensorflow官方推荐的一种较为高效的数据读取方式--tfre

  • tensorflow实现对张量数据的切片操作方式

    如下所示: import tensorflow as tf a=tf.constant([[[1,2,3,4],[4,5,6,7],[7,8,9,10]], [[11,12,13,14],[20,21,22,23],[15,16,17,18]]]) print(a.shape) b,c=tf.split(a,2,0) #参数1.张量 2.获得的切片数 3.切片的维度 将两个切片分别赋值给b,c print(b.shape) print(c.shape with tf.Session() as s

  • 浅谈tensorflow中张量的提取值和赋值

    tf.gather和gather_nd从params中收集数值,tf.scatter_nd 和 tf.scatter_nd_update用updates更新某一张量.严格上说,tf.gather_nd和tf.scatter_nd_update互为逆操作. 已知数值的位置,从张量中提取数值:tf.gather, tf.gather_nd tf.gather indices每个元素(标量)是params某个axis的索引,tf.gather_nd 中indices最后一个阶对应于索引值. tf.ga

  • 从训练好的tensorflow模型中打印训练变量实例

    从tensorflow 训练后保存的模型中打印训变量:使用tf.train.NewCheckpointReader() import tensorflow as tf reader = tf.train.NewCheckpointReader('path/alexnet/model-330000') dic = reader.get_variable_to_shape_map() print dic 打印变量 w = reader.get_tensor("fc1/W") print t

  • tensorflow实现在函数中用tf.Print输出中间值

    tensorflow由于其基于静态图的模式,导致写代码的时候很难调试,除了用官方的调试工具外,最直接的方法就是把中间结果输出出来查看,然而,直接用print函数只能输出tensor变量的形状,而不是数值,想要输出tensor的具体数值需要用tf.Print函数.网上有很多关于这个函数使用方法的说明,这里简要介绍: Print( input_, data, message=None, first_n=None, summarize=None, name=None ) 参数: input_:通过这个

  • 在python中用print()输出多个格式化参数的方法

    不废话,直接贴代码: disroot = math.sqrt(deta) root1 = (-b + disroot)/(2*a) root2 = (-b - disroot)/(2*a) print("有两个不同的解: %.2f,%.2f"%root1,%root2) 这是最初写的print()代码,不过运行时总提示TypeError 后来上网查了好多资料,发现格式根本不是这样子的,是我想当然了 disroot = math.sqrt(deta) root1 = (-b + disr

  • Tensorflow中k.gradients()和tf.stop_gradient()用法说明

    上周在实验室开荒某个代码,看到中间这么一段,对Tensorflow中的stop_gradient()还不熟悉,特此周末进行重新并总结. y = xx + K.stop_gradient(rounded - xx) 这代码最终调用位置在tensoflow.python.ops.gen_array_ops.stop_gradient(input, name=None),关于这段代码为什么这样写的意义在文末给出. [stop_gradient()意义] 用stop_gradient生成损失函数w.r.

  • 对tensorflow 中tile函数的使用详解

    tensorflow中tile是用来复制tensor的指定维度,具体看下面的代码: import tensorflow as tf a = tf.constant([[1, 2], [3, 4], [5, 6]], dtype=tf.float32) a1 = tf.tile(a, [2, 2]) with tf.Session() as sess: print(sess.run(a1)) 结果就是: [[ 1. 2. 1. 2.] [ 3. 4. 3. 4.] [ 5. 6. 5. 6.] [

  • Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现

    Tensorflow编程系统 Tensorflow工具或者说深度学习本身就是一个连贯紧密的系统.一般的系统是一个自治独立的.能实现复杂功能的整体.系统的主要任务是对输入进行处理,以得到想要的输出结果.我们之前见过的很多系统都是线性的,就像汽车生产工厂的流水线一样,输入->系统处理->输出.系统内部由很多单一的基本部件构成,这些单一部件具有特定的功能,且需要稳定的特性:系统设计者通过特殊的连接方式,让这些简单部件进行连接,以使它们之间可以进行数据交流和信息互换,来达到相互配合而完成具体工作的目的

  • GitHub 热门：别再用 print 输出来调试代码了

    GitHub 热门：别再用 print 输出来调试代码了

    4 月 23 日,GitHub 每日趋势榜第一位是一个 Python ,相关项目:PySnooper. 该项目很快获取 2200 Star. PySnooper 是个什么东西? 如果你写的 Python 代码不能按如期那样运行,你会绞尽脑汁想为啥出错了.虽然你希望有支持断点的成熟调试器,但或许你现在不想去设置这样的调试器. 你想知道哪些行代码是正常运行,哪些行不正常.据说大多数人会在可疑位置使用 print 输出语句. 其实 PySnooper 的作用有点类似,你不用小心谨慎地用 print 输

  • python中的print()输出

    1.普通的输出: print(str)#str是任意一个字符串,数字··· 2.格式化输出: print('1,2,%s,%d'%('asd',4)) 1,2,asd,4 与C语言有点类似 3.其它: >>> pi = 3.141592653 >>> print('%10.3f' % pi) #字段宽10,精度3 3.142 >>> print("pi = %.*f" % (3,pi)) #用*从后面的元组中读取字段宽度或精度 pi

  • python自定义函数实现最大值的输出方法

    python中内置的max()函数用来得到最大值,通过冒泡排序也可以. #!/usr/bin/python def getMax(arr): for i in range(0,len(arr)): for j in range(i+1,len(arr)): first=int(arr[i]) second=int(arr[j]) if first<second: arr[i]=arr[j] arr[j]=first print arr[0] arr1=[19,29,30,48] getMax(a

  • Tensorflow 定义变量,函数,数值计算等名字的更新方式

    左为旧版,右为更新到1.0版本后的名字 定义变量的更新 tf.VARIABLES --> tf.GLOBAL_VARIABLES tf.all_variables --> tf.global_variables tf.initialize_all_variables --> tf.global_variables_initializer tf.initialize_local_variables --> tf.local_variables_initializer tf.initi

  • python3让print输出不换行的方法

    python 3.x版本print输出不换行的格式如下: print(x, end="") 其中,end="" 可使输出不换行,不能省略. 举例: 输出结果: 内容扩展: python3.x中如何实现print不换行 大家应该知道python中print之后是默认换行的, 那如何我们不想换行,且不想讲输出内容用一个print函数输出时,就需要改变print默认换行的属性, 方法如下: print('contents', end='!@#$%^&*') end

随机推荐