TensorFlow自定义损失函数调试：如何获取Tensor实际数值

方法1：使用tf.print()替代原生print() #

在TensorFlow图模式下，原生print()只会输出张量的结构信息（名称、形状、 dtype），而tf.print()是内置的图操作节点，会在训练执行阶段输出张量的实际数值。直接修改你的损失函数：

def square_loss_invalid_pixel(y_true,y_pred):
    # 打印张量基本信息和关键数值
    tf.print("y_true 形状:", tf.shape(y_true), " dtype:", y_true.dtype)
    tf.print("y_true 最大值:", tf.reduce_max(y_true), " 最小值:", tf.reduce_min(y_true))
    tf.print("y_true 样本局部值:", y_true[0, :3, :3])  # 打印第一个样本的3x3区域
    
    tf.print("y_pred 最大值:", tf.reduce_max(y_pred), " 最小值:", tf.reduce_min(y_pred))
    
    loss = square_loss(y_true, y_pred)
    tf.print("像素级损失最大值:", tf.reduce_max(loss), " 最小值:", tf.reduce_min(loss))
    
    total_loss = tf.reduce_sum(loss)
    tf.print("最终总损失:", total_loss)
    return total_loss

训练时，tf.print()会将真实数值输出到控制台，你可以按需调整打印范围（比如全批次或特定位置的张量值）。

方法2：手动取出一批数据离线验证 #

利用生成器先获取一批真实数据，在Eager模式下直接计算损失，获取所有数值：

# 假设你的训练生成器为train_generator
batch_x, batch_y = next(train_generator)  # 获取一批输入和真实标签
y_pred = model.predict(batch_x)  # 让模型预测得到y_pred

# Eager模式下直接调用损失函数，返回带数值的张量
loss_tensor = square_loss_invalid_pixel(batch_y, y_pred)

# 转换为numpy数组查看具体数值
print("y_true 数值:\n", batch_y)
print("y_pred 数值:\n", y_pred)
print("损失数值:", loss_tensor.numpy())

这种方法适合训练前快速验证损失函数逻辑，避免训练流程中频繁打印影响效率。

方法3：使用调试断言辅助检查 #

如果只需验证损失是否超阈值，可结合tf.debugging的断言函数，同时输出相关张量数值：

def square_loss_invalid_pixel(y_true,y_pred):
    loss = square_loss(y_true, y_pred)
    total_loss = tf.reduce_sum(loss)
    
    # 损失大于1时触发断言，同步打印关键数值
    tf.debugging.assert_less(
        total_loss, 1.0,
        message="损失超过阈值！",
        summarize=10,
        data={"y_true_max": tf.reduce_max(y_true), "y_pred_max": tf.reduce_max(y_pred), "total_loss": total_loss}
    )
    return total_loss

当损失超标时，程序会抛出异常并输出你指定的张量数值，快速定位问题根源。

内容的提问来源于stack exchange，提问作者StE