首頁猿問打印張量元素 (v1.14)

打印張量元素 (v1.14)

Python

海綿寶寶撒 2023-06-20 15:39:46

我想了解 keras/tensorflow 是如何工作的。在這個例子中，我正在使用一個LSTM具有定義loss功能的網(wǎng)絡(luò)。在此示例中，我想打印y_pred和loss變量中的值，但是標準print()函數(shù)不會打印實際數(shù)值。當我嘗試print()函數(shù)時，我得到以下輸出：Tensor("loss_13/dense_14_loss/strided_slice:0", shape=(), dtype=float32)import tensorflow as tffrom tensorflow.keras import Sequential, backend as Kfrom tensorflow.keras.layers import Dense, LSTM, Dropoutfrom tensorflow.keras.losses import categorical_crossentropyregressor = Sequential()regressor.add(LSTM(units = 10, dropout=0.10, return_sequences = True, input_shape = (X.shape[1], X.shape[2])))regressor.add(Dense(units = 4, activation='softmax'))regressor.compile(optimizer = optimizer, loss = weight_fx(np.array([0.005,0.20,0.79,0.005])), metrics = ['categorical_accuracy'])def weight_fx(weights): weights = K.variable(weights) def loss(y_true, y_pred): y_pred /= K.sum(y_pred, axis=-1, keepdims=True) print(y_pred) loss = y_true * K.log(y_pred) * weights return loss return loss

查看完整描述

2 回答

慕容森

TA貢獻1853條經(jīng)驗獲得超18個贊

嘗試這樣做：

import tensorflow as tf

from tensorflow.keras import Sequential, backend as K

from tensorflow.keras.layers import Dense, LSTM, Dropout

from tensorflow.keras.losses import categorical_crossentropy

import numpy as np

X = tf.ones((10,10,10))

y = tf.ones((10,1))

def weight_fx(weights):

? ? weights = K.variable(weights)? ? ?

? ? def loss(y_true, y_pred):

? ? ? ? y_pred /= K.sum(y_pred, axis=-1, keepdims=True)

? ? ? ? tf.print(y_pred)

? ? ? ? loss = y_true * K.log(y_pred) * weights

? ? ? ? return loss

? ??

? ? return loss

regressor = Sequential()

regressor.add(LSTM(units = 10, dropout=0.10, return_sequences = True,?

? ? ? ? ? ? ? ? ? ?input_shape = (X.shape[1], X.shape[2])))

regressor.add(Dense(units = 4, activation='softmax'))

regressor.compile(optimizer = 'adam', loss = weight_fx(np.array([0.005,0.20,0.79,0.005])), metrics = ['categorical_accuracy'])

regressor.fit(X,y)

問：你為什么看到Tensor("loss_13/dense_14_loss/strided_slice:0", shape=(), dtype=float32)？
答：Tensorflow 預計損失函數(shù)會被頻繁調(diào)用，因此盡可能對其進行優(yōu)化至關(guān)重要。Tensorflow 有一種方法可以做到這一點，稱為“追蹤”。這基本上意味著傳遞一個“檢測器”變量，該變量“體驗”函數(shù)中的所有操作并記住它們。然后，基于這些經(jīng)驗，Tensorflow 構(gòu)建了一個單獨的所謂“圖形”函數(shù)，該函數(shù)速度更快，并且無法調(diào)用 python 中具有副作用的許多常見函數(shù)。喜歡print()。你看到的是一個檢測器或“示蹤劑”。它只運行一次。
那我該如何調(diào)試呢？
有幾種方法可以做到這一點。如果要print調(diào)試，請使用tf.print.?根據(jù)我的經(jīng)驗，這有時有效，有時無效。如果沒有，并且您仍然只看到檢測器變量，請使用model.run_eagerly = True或?qū)⑵渥鳛閰?shù)傳遞給model.compile.?即使你不使用tf.print和設(shè)置run_eagerly，python 的內(nèi)置print仍然可以工作（試試這個）。最后但同樣重要的是，您可以將所有副作用函數(shù)包裝在一個tf.py_function.?