助你洞察數據流動 — TensorFlow 中的輸出函數 tf.Print 詳解

03-03

在你訓練的過程中，想不想看看大量的多維數據(*)是怎樣流動的？

「譯註*」原文 tensor 此處譯作多維數據，本意是張量，即 n 維度的陣列或列表。

篇，由 Google 的開發技術推廣工程師 Yufeng Guo 主講，用通俗易懂的語言幫助你了解人工智慧和機器學習。在這一系列視頻/文章中，我們將一起探秘人工智慧的世界，共同品味藝術、探索科學以及掌握機器學習的工具。
第一篇：機器學習是什麼？
第二篇：機器學習「七步走」

第三篇：用評估器給花卉分類
第四篇：彈性伸縮的雲端託管服務
第五篇：通過 TensorBoard 將模型可視化
第六篇：通過深度神經網路再識評估器
第七篇：雲端訓練模型的大數據解決方案
第八篇：跟著 Google Research 體驗自然語言生成
第九篇：雲上的機器學習引擎
第十篇：使用 MNIST 數據集訓練模型
第十一篇：機器學習工程師用 Python 開發環境的最佳實踐
第十二篇：機器學習之前，讓「大熊貓」先嘗一嘗數據的味道

第十三篇：機器學習大殺器：爆米花般火爆的 Kaggle Kernels
第十四篇：工欲善其事，必先利其器：Jupyter Notebooks 的技巧
第十五篇：「伊人」何處，宛在雲中央：用 Datalab 在雲上部署互動式編程環境
所有的內容和視頻都會首發在「機智如你」專欄，目標是發布最新與谷歌相關的機器學習、TensorFlow 相關內容，如果你有任何問題，也歡迎在留言區向我們提出反饋。

我想，諸位友人都是使用調試器的老手了，也從不使用輸出語句（print）來調試代碼，沒錯吧？

原因很簡單，如果你這麼做了，會發現 TensorFlow 的輸出語句其實和通常的 Python 輸出語句有著不同的效果。

這次我們就來聊一聊 TensorFlow 的輸出語句是怎麼工作的，然後分享如何用好它，讓你少一些困惑和煩惱。

YouTube - Print Statements in TensorFlow

https://www.zhihu.com/video/949686895358283776

TensorFlow 中的輸出函數

編寫 TensorFlow 代碼時，有多種方式可以實現對內容的輸出。首先是 Python 內置的 print 命令（或者 print() 函數，這在 Python 3 之後的版本提供）。然後是 TensorFlow 自帶的輸出函數，叫 tf.Print （注意 P 大寫）。

使用 TensorFlow 時，一定要記得所有的東西最終都體現為圖的計算。也就是說如果你使用 Python 的 print 命令來輸出 TensorFlow 的某個操作，得到的結果僅僅是這個操作的相關描述，因為當前還沒有值被傳入這個操作。print 命令還常常會顯示該節點所期望且已知的維度。

輸出中的值哪兒去了？不過至少我們知道了數據的維數(*)和類型。

「譯註*」shape 和 rank 都用來描述 tensor 的維度，只不過刻畫的角度和方式不同，通過 shape 可以更全面了解 tensor 的結構。

如果你想要在執行計算後輸出「流入」圖中某個具體節點的值，那麼就需要使用 tf.Print 函數了。

調整輸出節點的結構位置

通常我們認為 print 被附加在某些值、操作所在之處，讓它執行之後又再回到原來的操作流當中。在 TensorFlow 邏輯里，只有需要被執行的圖節點才會計算其輸出值。所以如果你的輸出語句懸於圖中某個節點之處，則它根本不會執行。

怎麼辦呢？我們需要把輸出語句嵌入到原來的圖當中，就像下面這幅圖：

具體實現方式是將輸入節點作為第一個參數傳入，然後把 tf.Print 函數的返回值賦值給即將作為下一節點輸入的變數。這樣就能夠把輸出語句嵌入圖的執行流當中了。（強調一下，把返回值傳入下一個節點極其重要，因為一旦你不這麼做，當前的輸出語句仍然懸在某個節點上，而不是嵌入了流當中）

雖然 tf.Print 並不會執行任何計算，只會將 tensor 向後傳遞，但是是用了它的確可以將所需的節點輸出。

與常見 print 命令另一處不同是，我們引入 tf.Print 只是給出了它被執行的時機（即該節點在圖中被執行的時機）。然而，你能輸入的內容並不會受到太大的限制。

也就是說，你只需確定在圖中的哪裡要執行輸出命令，但是卻可以一次將所有可以訪問的節點都輸出出來。這通過第二個參數來實現：它是一個節點數組。通常我們會用與 tf.Print 第一參數相同的節點，但是我們也可以包含更多的節點在裡面，如圖：

還可以在上述第二個參數後面加上第三個參數，一則提示信息。通過它，你能夠在輸出的字元串之前附著一些提示，這樣就便於在輸出日誌中找到特定的內容了。

趁熱打鐵

So there you have it, tf.Print in a nutshell. But where might you utilize tf.Print in your code?

好了，現在你可以用 tf.Print 了，不過你該在哪裡使用呢？

我常常會在輸入函數中使用 tf.Print，這樣便於調試到底什麼數據送入了訓練循環中。這裡不用 Python 的 print 是因為它僅僅在輸入函數圖被構建時執行一次。

取而代之的是在輸入函數流水線使用 tf.Print 調用。注意雖然此處只輸入了輸入節點，但是你也可以輸出其他的節點。

補充幾點建議

注意，在使用 Jupyter notebook 時，輸出內容在其 console 的 stderr 中，不是在 notebook 每個代碼格子的執行輸出中。一定要注意這一點，否則會找不到輸出的內容。

另一個要注意的地方是：如果你在輸入函數中使用了 tf.Print，則一定要注意控制傳入的數據量，否則你會陷入不停滾動輸出界面的窘境。

TensorFlow 不是在所有情況下都適合使用，但如果你想要查看圖中流動的數據時，它是你的不二選擇。

感謝閱讀本期 Cloud AI Adventures。如果你喜歡這些文章，請點個贊，如果你想獲得更多內容，請關注我或者 Yufeng 的 Medium 並且關注「機智如你」專欄或者 YouTube 頻道。更多精彩內容不容錯過！

試試 TensorFlow 提供的這個輸出函數吧，搞清楚機器學習的過程是如何進行的！

感謝你閱讀到這裡，官方播單的總計發布 16 期的內容，我們已經全部本地化發布完畢，專欄的關注量也從零到 1700+，非常感謝大家的支持和關注！

接下來我們將會繼續跟進 AIA 系列內容的更新，同時會開始發布與 Yufeng 同樣 base 在谷歌紐約辦公室的同事 Josh 錄製 MLR 系列視頻 — Machine Learning Recipes with Josh Gordon，這個系列的視頻更適合初學者，更容易上手，預計發布頻率為每周一期。