TensorFlow学习总结：TensorFlow的debug调试

本着记录自己学习的脚步，以及明记自己学习的知识点不忘记，今天我会开始更新自己博客。加油

首先，说明一下我的环境：win7（x86）系统，python3.6， TensorFlow版本为“termcolor-1.1.0-py3.6”。

在开始调试之前需要保证系统安装了readline这个python库，但是windows下无法安装这个python库，所以我又下载了pyreadline这个库，我也没有实验单装readline（虽然windows会失败）是否能直接使用，还是建议将两个库都安装一下吧，希望有兴趣的小伙伴帮忙验证一下只装readline或者pyreadline能否调试。

使用pip install --upgrade readline 以及 pip install --upgrade pyreadline就可以安装了。

接下来调试的时候，需要在python代码中引入python的debug包，使用：

from tensorflow.python import debug as tfdbg

这里使用LocalCLIDebugWrapperSession函数，以调试TensorFlow的cifar10的代码为例。

在cifar10_train.py的train函数中的以下代码里加入LocalCLIDebugWrapperSession函数，如下：

with tf.train.MonitoredTrainingSession(
      checkpoint_dir=FLAGS.train_dir,
      hooks=tf.train.StopAtStepHook(last_step=FLAGS.max_steps),
               tf.train.NanTensorHook(loss),
               _LoggerHook()],
      config=tf.ConfigProto(
      log_device_placement=FLAGS.log_device_placement)) as mon_sess:
    mon_sess = tfdbg.LocalCLIDebugWrapperSession(mon_sess)
    while not mon_sess.should_stop():
        mon_sess.run(train_op)
        # Update the masks
        mon_sess.run(mask_update_op

mon_sess = tfdbg.LocalCLIDebugWrapperSession(mon_sess)

在每次执行代码就会进入TensorFlow的debug（tfdbg）模式，如图：

执行run后会打印出处所有的张量表，如下：

由于张量太多，这里只截取部分。

（1） 打印出的张量表的列依次是：执行时间，张量大小，操作类型，张量名。

（2） run命令： 

 程序一直执行到下次Session.run()被调用的地方，并将张量表打印到命令控制行(CLI)。

其中run命令的参数有：

a. -n 在不打印debug调试信息的情况下，令程序运行到下次Session.run()被调用的地方。因此命令控制行不会打印任何信息。

b. -t<Times> 运行指定Times次程序，打印出第Times次的调试信息，如下：

c. --node_name_filter <re> 在调试中，根据正则表达打印出指定的节点到命令控制行中。例如，Cifar10所涉及的张量表过大可以使用该命令对显示的张量表进行过滤，如下：

d. --op_dtype_filter <re> 上面说了能够根据张量名来过滤张量表，同样的该参数就是通过操作类型来过滤张量表。

e. --tensor_dtype_filter <re> 该参数则是通过张量的类型来过滤张量表

·接下来再接收一些其他命令：

（1）lt 命令： 该命令在不使用参数的情况下会输出本次Session.run()执行后所有的张量一览表。

-n <re>参数： 根据re参数指定的张量名过滤张量表，功能与run命令中的--node_name_filter类似

-t <re>参数：根据re参数指定的操锁类型过滤张量表，功能与run命令中的--op_dtype_filter类似

-r 参数：逆序输出所有的张量表

（2）pt 命令：该命令输出需要配合指定的张量名一起使用输出指定的张量信息。

-a 详细的输出指定的张量信息，在张量过大的情况下谨慎使用。

（3）ni 命令：显示指定张量的信息，信息主要是显示输入和接收节点的信息（详细内容可使用下面的li命令和lo命令）。

-a 参数：详细输出指定张量的属性信息，请将下图对照上图进行参照。

（4）li 命令：列出张量的输入神经元节点的信息。

可以看到，因为卷积核（conv1/weights）是定义好的不存在输入的神经元节点所以他的输入是None；

而下面的代码可以看到conv1/Conv2D的第一个输入由调用Interface(images)方法传入的images参数获得的而images就是通过shuffle_batch来从队列中批量读取出来的数据。

再下来conv1/Conv2D是进行卷积运算，的所以他的一个输入是conv1/weights/massked_weight（这里的结论我没有信心，希望说错了能够被指摘出来，谢谢~）

conv = tf.nn.conv2d(images, pruning.apply_mask(kernel, scope), [1, 1, 1, 1], padding='SAME')

（5） lo 命令：同li相反一个试input，那么lo就是output这里就不介绍了。

（6）eval 命令： 该命令是可以在调试的过程中使用python语法加numpy的库来执行python语句。

-a 参数：能够详细的不加省略号的输出计算后的值，同样的在使用该参数查看大的数据的时候要谨慎，会长到让你怀疑人生。

在这里要说明几个重要的事情。

a. 执行的python语句是一个字符串

b. 变量一定要使用"`"(键盘的Tab键上方的符号)来括住张量名。

c. 我只验证能够使用库是numpy库，而TensorFlow库不能使用，至于其他的库还请各位尝试一下。

以上就是关于tfdbg的相关内容，希望学识渊博的各位指出我的不正，并且完善一下，在下不胜感激。

最后

以上就是瘦瘦店员为你收集整理的TensorFlow学习总结：TensorFlow的debug调试的全部内容，希望文章能够帮你解决TensorFlow学习总结：TensorFlow的debug调试所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。