如何在Keras后端显示完整张量？用于自定义损失函数调试

• 用tf.print替代keras.backend.print_tensor
  如果你用TensorFlow作为Keras后端，直接用tf.print就能输出完整张量，它支持关闭截断功能：

  import tensorflow as tf
  from keras import backend as K
  
  def custom_loss(y_true, y_pred):
      # summarize=-1表示输出全部元素，不截断
      tf.print("完整y_true张量:", y_true, summarize=-1)
      loss = K.mean(K.square(y_true - y_pred))
      return loss
  

• 把张量内容写入本地文件
  可以在损失函数里用TensorFlow的文件API把张量存成文本或二进制文件，方便后续查看：

  def custom_loss(y_true, y_pred):
      # 将张量转为字符串，保留10位精度
      tensor_str = tf.strings.as_string(y_true, precision=10)
      # 写入文件，避免覆盖可以加上批次标识
      batch_num = tf.Variable(0, dtype=tf.int32)
      batch_num.assign_add(1)
      filename = tf.strings.format("/tmp/y_true_batch_{}.txt", batch_num)
      tf.io.write_file(filename, tensor_str)
      
      loss = K.mean(K.square(y_true - y_pred))
      return loss
  

• 通过自定义回调提取张量值
  不想在损失函数里硬编码的话，可以自定义回调，在训练批次结束后获取张量的实际数值：
  先调整模型，把需要监控的张量设为额外输出：

  from keras.models import Model
  from keras.layers import Dense, Input
  
  input_layer = Input(shape=(10,))
  output_layer = Dense(1)(input_layer)
  # 把y_true和y_pred作为额外输出，训练时要对应传入输入
  model = Model(inputs=[input_layer, input_layer], outputs=[output_layer, input_layer, output_layer])
  

  然后写回调类：

  class TensorLogger(keras.callbacks.Callback):
      def on_train_batch_end(self, batch, logs=None):
          # 获取当前批次的y_true和y_pred数值
          y_true_val = self.model.inputs[1].numpy()
          y_pred_val = self.model.outputs[0].numpy()
          
          # 直接打印
          print(f"批次{batch}的y_true:\n{y_true_val}")
          # 存成numpy文件，方便后续加载分析
          import numpy as np
          np.save(f"/tmp/y_true_batch_{batch}.npy", y_true_val)
  

  训练时传入回调即可：

  model.compile(optimizer='adam', loss=custom_loss)
  model.fit([X_train, y_train], y_train, callbacks=[TensorLogger()])
  

内容的提问来源于stack exchange，提问作者Bram