如何在tensorflow中打印局部张量？

Question

我想在我的程序中打印张量，以便在评估后查看其内部值。然而，问题是张量是在函数内声明的。为了更好地理解我的问题，这里有一些示例代码可以更好地解释我想要做的事情：

a = tf.Variable([[2,3,4], [5,6,7]])
b = tf.Variable([[1,2,2], [3,3,3]])

def divide(a,b):
    with tf.variable_scope('tfdiv', reuse=True):
        c = tf.divide(a,b, name='c')
    # Cannot print(c) here, as this will only yield tf info on c
    return c

d = divide(a,b)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run(d)
    sess.run(tf.get_variable('tfdiv/c:0').eval(session=sess))

以前，我已经能够进行打印（c.eval（session = sess）），但由于c是函数内部的局部变量，所以不起作用。从上面的代码中可以看出，我试图使用tensorflow的变量范围来访问变量然后对其进行评估。不幸的是，这会导致错误消息：

ValueError: Shape of a new variable (tfdiv/c:0) must be fully defined, but 
instead was <unknown>.

我尝试使用reuse = True标志，但我仍然得到相同的错误。有关如何解决这个问题的任何想法？如果有一个print（c）等价物可以放入除法函数，那就好了，如上面的代码所示。

Answer 1

这将实现您想要的目标：

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(d))

或者，您可以将最后一行替换为：

print(sess.run(tf.get_default_graph().get_tensor_by_name('tfdiv/c:0')))

Answer 2

了解Python端代码和TensorFlow端代码之间的区别非常重要。在python中，您只设置图形：d = divide(a, b)创建类似于：

您设置了一个节点（正方形），用于划分节点 a和b中的数据。它不会马上分开它们！请注意，黑色表示 python 变量名称，灰色表示 TensorFlow 节点名称 ¹ 。 a和b也有一些默认名称，如果您没有指定它们。灰色＆＃34; c＆＃34;您使用name='c'指定的。局部变量c和全局变量d（Python）都引用相同的操作（节点）。

这就是为什么如果你说print(d)只打印有关该节点的信息。设置图表后，执行sess.run(d)会在TensorFlow端{/ 1>上运行d 中节点所需的所有节点。然后它检索结果并使其在python端上可用作numpy数组。

您可以使用tf.Print(input, data)在TF端打印张量 。请注意，这是一个操作（图中的一个节点），它对input张量没有任何作用，只是将其传递过来，同时还在data中打印所有内容。

在您的情况下，您可以在张量流方面使用Print，如下所示：

def divide(a,b):
    with tf.variable_scope('tfdiv', reuse=True):
        c = tf.divide(a,b, name='c')
        cp = tf.Print(c, [c], message='Value of c: ', name='P')

    return cp

这有效地在图中添加了另一个节点（在TF侧名为P）：

现在每次评估时都会打印操作 c的值。请注意，每次评估其中一个依赖项时也会打印它，例如，如果您稍后执行e = d + 1，则在评估e时，它需要d，这表示打印节点（从函数divide返回）。

最后请注意，如果您在Jupyter笔记本中执行此操作，则打印件将显示在笔记本服务器的终端中。现在这个细节并不重要:)。

¹ 默认添加:0，以便您可以使用name_of_op:0检索任何张量。操作名称（tfdiv/c）和张量名称（tfdiv/c:0）之间的区别。