监视函数调用和变量值？

Question

如何查看Python脚本中调用了哪些函数以及所有变量值？在

我刚刚发现了Python的不确定性包，我想弄清楚它是如何工作的，以便向我的老板解释。在

基本上，我看不出不确定性是如何计算出来的。这可能是因为我还不知道Python是如何工作的。在

对于初学者，我如何了解c是如何计算的？在

import uncertainties
from uncertainties import ufloat

a = ufloat(1,3)
b = ufloat(2,4)

c = a + b  # How does this work??

print c

Answer 1

您可以看看Python调试器：http://docs.python.org/2/library/pdb.html

如您所知，调试器的设计目的是让您在执行过程中监视程序的各个部分的移动。在

您可能还想查看一下位于https://github.com/lebigot/uncertainties/的不确定性包的源代码

Answer 2

忽略uncertainties模块的特定情况，Python提供了^{}函数，该函数可用于实现Smiliey application tracer

例如，从docs：

In one terminal window, run the monitor command:

$ smiley monitor

In a second terminal window, use smiley to run an application. This example uses test.py from the test_app directory in the smiley source tree.

$ smiley run ./test.py
args: ['./test.py']
input = 10
Leaving c() [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Leaving b()
Leaving a()

The monitor session will show the execution path and local variables for the app.

Starting new run: ./test.py
test.py:   1: import test_funcs
test.py:   1: import test_funcs
test_funcs.py:   1: import sys
test_funcs.py:   1: import sys
test_funcs.py:   3: def gen(m):
test_funcs.py:   8: def c(input):

Answer 3

如果你想知道事物是如何计算的，pdb确实是一种解决方案。在

但是，使用像pdb这样的调试器，很难从较高的层次了解正在发生的事情。这就是为什么阅读代码也是有用的。例如，如果您想知道a+b做什么，可以检查type(a).__add__是否存在，因为如果存在，它将处理加法。不确定性一揽子计划就是这样。在

也就是说，__add__确实是通过一个通用的机制实现的，而不是专门为其编码的，所以我可以告诉你它实现背后的想法，因为这正是你最终要寻找的。在

在您的示例中，a和{}是Variable对象：

>>> from uncertainties import ufloat                                            
>>> a = ufloat(1, 3)
>>> b = ufloat(2, 4)
>>> type(a)
<class 'uncertainties.Variable'>

那么c = a + b实际上是a和{}的一个线性函数，由其关于a和{}的导数表示：

^{pr2}$

如果你知道一个函数相对于它的变量的导数，你很容易得到一个approximation of its standard deviation from the standard deviations of its variables。在

因此，uncertainties package实现背后的主要思想是，值是：

• 随机变量，如x=3.14±0.0.1和y=0±0.01（Variable对象），用它们的标准差来描述
• 或者函数的线性近似（AffineScalarFunc对象：“仿射”是因为它们是线性的，“标量”是因为它们的值是实的，“func”是因为它们是函数）。在

举一个更复杂的例子，z=2*x+sin（y）在（x，y）=（3.14，0）中近似为2*x+y。在实现中，由于近似是线性的，因此只存储关于变量的导数：

>>> x = ufloat(3.14, 0.01)
>>> y = ufloat(0, 0.01)
>>> from uncertainties.umath import sin
>>> z = 2*x + sin(y)
>>> type(z)
<class 'uncertainties.AffineScalarFunc'>
>>> z.derivatives
{3.14+/-0.01: 2.0, 0.0+/-0.01: 1.0}

因此，不确定性软件包的主要工作是计算任何涉及变量的函数的导数。这是通过automatic differentiation的有效方法实现的。具体地说，当您执行类似a+b的操作时，Python会自动调用Variable.__add__()方法，该方法通过计算a+b相对于其变量的导数来创建一个新的线性函数（导数都是一个，因为{}相对于{}的导数是一个，而{}的导数也是一个）。更一般地说，添加函数，而不是纯变量：f(a,b) + g(a,b)相对于{}和{}的导数是用链式规则计算的。这就是自动微分的工作原理，这也是不确定性包中实现的。这里的关键函数是uncertainties.wrap()。它是整个包中最大、最复杂的函数，但是代码大部分是注释的，并且details on the method是可用的。在

导数然后给出最终函数的标准差，作为变量标准差的函数（代码AffineScalarFunc.std_dev()非常简单：更困难的任务是自动计算导数）。在