tf.print() vs Python print vs tensor.eval()

Question

好像在Tensorflow中，至少有3种方法可以打印出一个张量的值。我一直在阅读here 和there，但仍然很困惑。

这些作者似乎将不同的用法总结为：

• Python print：只能打印出张量的某些属性，例如它的形状，因为在计算图之外它只是一个操作。
• tensor.eval() ：不确定它与 tf.print() 的区别
• tf.print(): 可以输出一个张量的实际值，但必须插入到图中的某处以及被其他一些操作使用，否则它将悬空并且仍然不打印。

我的困惑可能还在于我不确定我们可以在张量流计算图中访问多少 Python 功能，或者计算图“结束”和 Python 代码“开始”在哪里。例如

1. 如果我在构建计算图的两行之间插入 Python 打印，当我稍后调用 sess.run() 时，会调用此行吗？
2. 如果我想在计算图中打印出多个张量值，我应该把这些语句放在哪里？
3. tensor.eval() 和tf.print() 有什么区别？我应该如何以不同的方式使用它们？

Answer 1

第一次构建图形时将调用原生 Python print() 语句。看看这个：

a = tf.placeholder(shape=None, dtype=tf.int32)
b = tf.placeholder(shape=None, dtype=tf.int32)
print("a is ",a," while b is ",b)
c = tf.add(a, b)
with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: 1, b: 2}))
    print(sess.run(c, feed_dict={a: 3, b: 1}))

通过执行此代码块，输出为：

# a is  Tensor("Placeholder:0", dtype=int32)  while b is  Tensor("Placeholder_1:0", dtype=int32)
# 3
# 4

另一方面，让我们看看tf.print()：

a = tf.placeholder(shape=None, dtype=tf.int32)
b = tf.placeholder(shape=None, dtype=tf.int32)
print_op = tf.print("a is ",a," while b is ",b)
with tf.control_dependencies([print_op]):
    c = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: 1, b: 2}))
    print(sess.run(c, feed_dict={a: 3, b: 1}))

所以，根据下面的输出，我们可以看到，如果我们添加 tf.print 操作必须在每次运行 c 时运行的依赖项，我们就可以看到我们想要的输出：

# a is  1  while b is  2
# 3
# a is  3  while b is  1
# 4

最后，tensor.eval() 与 sess.run(tensor) 相同。但是，tensor.eval() 的局限性在于您可以运行它来评估单个张量，而tf.Session 可以用于评估多个张量sess.run([tensor1, tensor2])。如果你问我，我会一直使用 sess.run(list_of_tensors) 来评估我想要的任意数量的张量，并打印出它们的值。

Answer 2

1. 没有。稍后调用sess.run() 时不会调用Python print。
   如果您想在调用sess.run() 时打印，则可以使用tf.print。

2. 要在图中打印出多个张量值，应在打开tf.Session() 后使用sess.run()。示例代码如下。

t = tf.constant(42.0)
u = tf.constant(37.0)
pt = tf.print(t)
pu = tf.print(u)
with sess.as_default():
   sess.run([pt, pu])

42
37

1. This answer 和 this 在另一个问题中会有所帮助。
   tensor.eval() 评估张量运算并且不是运算符。
   tf.print() 只是一个打印给定张量的运算符。所以在调用tf.Session() 之后，tf.print() 将成为图节点之一。