如何在tensorflow中打印局部张量？

Question

我想在我的程序中打印一个张量，一旦它被计算出来，就可以看到它的内部值。然而，问题是张量是在函数内部声明的。为了更好地理解我的问题，下面是一些示例代码，以更好地解释我要做的事情：

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，我已经能够执行print（c.eval（session=sess）），但由于c现在是函数内部的局部变量，所以这行不通。从上面的代码中可以看出，我尝试使用tensorflow的变量范围来访问变量，然后对其求值。很遗憾，这会导致错误消息：

^{pr2}$

我试图使用reuse=True标志，但是仍然得到相同的错误。我有什么办法解决这个问题吗？最好是有一个print（c）等价物可以放入divide函数中，正如上面的代码所写的那样。在

Answer 1

这将实现您的目标：

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

或者，可以将最后一行替换为：

^{pr2}$

Answer 2

理解Python端代码和TensorFlow端代码之间的区别是很重要的。在python中，只需设置图形：d = divide(a, b)会创建类似以下内容：

您设置了一个节点（正方形），它将分割节点a和b中的数据。不会马上把他们分开！注意，黑色的是python变量名，灰色是TensorFlow节点名¹。a和{}也有一些默认名称，如果您没有指定它们的话。用name='c'指定的灰色“c”。局部变量c和全局变量{}（Python）都引用同一个操作（节点）。在

这就是为什么如果您说print(d)只打印有关该节点的信息。一旦您设置了图形，执行sess.run(d)将运行位于TensorFlow侧上的d中的节点所需的所有节点。然后它检索结果，并将其作为numpy数组在python端上可用。在

您可以使用^{}在TF-side上打印张量。注意这是一个对input张量没有任何影响的操作（图中的节点），它只传递它，同时还打印data中的所有内容。在

在您的例子中，您可以在tensorflow侧使用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

这将有效地在图中添加另一个节点（在TF侧命名为P）：

现在每次计算operationc的值都将被打印出来。注意，它还将在每次计算它的一个依赖项时被打印，例如，如果您稍后执行e = d + 1，当您计算e时，它需要{}，它引用打印节点（从函数divide返回）。在

最后，请注意，如果您在Jupyter笔记本中执行此操作，打印将出现在笔记本服务器的终端上。具体细节目前并不重要：）。在

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