Tensorflow Keras：评估时如何在自定义层中设置断点（调试）？

Question

我只想在自定义层中进行一些数值验证。

假设我们有一个非常简单的自定义层：

class test_layer(keras.layers.Layer):

    def __init__(self, **kwargs):

        super(test_layer, self).__init__(**kwargs)

    def build(self, input_shape):

        self.w = K.variable(1.)

        self._trainable_weights.append(self.w)

        super(test_layer, self).build(input_shape)

    def call(self, x, **kwargs):

        m = x * x            # Set break point here

        n = self.w * K.sqrt(x)

        return m + n

和主程序：

import tensorflow as tf

import keras

import keras.backend as K

input = keras.layers.Input((100,1))

y = test_layer()(input)

model = keras.Model(input,y)

model.predict(np.ones((100,1)))

如果我在该行上设置了断点调试，则m = x * x执行时程序将在此处暂停y = test_layer()(input)，这是因为生成了图形，因此call()调用了该方法。

但是当我使用model.predict()它来赋予它真正的价值，并且想在图层内部查看它是否工作正常时，它并不会停在那一行m = x * x

我的问题是：

是call()计算图形正在兴建时，方法只叫什么名字？（提供实际价值时不会调用它吗？）

给实数输入时，如何调试（或在何处插入断点）以查看变量的值？

Answer 1

是的。该call()方法仅用于构建计算图。至于调试。我更喜欢使用TFDBG，这是针对tensorflow的推荐调试工具，尽管它不提供断点功能。对于Keras，您可以将以下行添加到脚本中以使用TFDBGimport tf.keras.backend as Kfrom tensorflow.python import debug as tf_debugsess = K.get_session()sess = tf_debug.LocalCLIDebugWrapperSession(sess)K.set_session(sess)