如何在Keras自定义指标函数内部设置断点进行调试

方法1：使用回调函数实现调试（最稳定） #

将指标计算逻辑迁移到Keras回调的批次/轮次钩子中，回调默认以eager模式执行，断点可正常命中：

from tensorflow import keras
from sklearn.metrics import f1_score
import numpy as np

class F1DebugCallback(keras.callbacks.Callback):
    def on_batch_end(self, batch, logs=None):
        # 获取当前批次输入、真实标签和预测结果
        x, y_true = self.validation_data[0], self.validation_data[1]
        y_pred = self.model.predict(x, verbose=0)
        # 以下为原指标计算逻辑，此处设置断点即可正常命中
        y_true_array = np.squeeze(np.asarray(y_true))
        y_pred_array = np.round(np.squeeze(np.asarray(y_pred)))
        f1 = f1_score(y_true_array, y_pred_array, "macro")
        print(f"批次{batch}的F1值：{f1}")

调用时将回调传入model.fit的callbacks参数即可：

model.fit(..., callbacks=[F1DebugCallback()])

方法2：修复run_eagerly执行顺序问题 #

之前设置run_eagerly未生效大多是执行顺序错误，需在导入TensorFlow后、定义所有模型和指标前就设置全局eager执行：

import tensorflow as tf
# 所有代码最开始的位置设置，早于模型、指标定义
tf.config.run_functions_eagerly(True)

from sklearn.metrics import f1_score
import numpy as np

# 原指标函数无需修改，此处设置断点即可命中
def f1_macro(y_true, y_pred):
    y_true_array = np.squeeze(np.asarray(y_true))
    y_pred_array = np.round(np.squeeze(np.asarray(y_pred)))
    f1 = f1_score(y_true_array, y_pred_array, "macro")
    return f1

# 编译时保留run_eagerly=True参数
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=[f1_macro], run_eagerly=True)

方法3：使用TensorFlow内置断点操作 #

如果上述方法都不生效，可以在指标函数内部插入TF专属调试断点，无论是否为eager模式都会触发中断：

def f1_macro(y_true, y_pred):
    y_true_array = np.squeeze(np.asarray(y_true))
    y_pred_array = np.round(np.squeeze(np.asarray(y_pred)))
    # 插入调试断点，运行到此处会自动进入pdb调试界面
    tf.debugging.experimental.enable_dump_debug_info("debug_logs", tensor_debug_mode="FULL_HEALTH", circular_buffer_size=-1)
    import pdb; pdb.set_trace()
    f1 = f1_score(y_true_array, y_pred_array, "macro")
    return f1

内容的提问来源于stack exchange，提问作者Luka