Tf.Print()无法打印张量形状？TensorFlow分类程序调试疑问

嘿，我懂你遇到的这个头疼问题——tf.Print()看起来完全没生效对吧？这在TensorFlow 1.x里是个超常见的坑，核心原因就是你可能没把tf.Print()的输出纳入计算图的执行流程里。

为什么tf.Print()没起作用？ #

TensorFlow的计算图是惰性执行的，还会自动优化掉“无用”节点。tf.Print()本质是一个操作节点：它接收一个输入张量，返回这个张量的副本，同时打印你指定的内容。但如果你只是调用tf.Print()却不使用它返回的张量，TensorFlow会觉得这个节点对最终结果没贡献，直接跳过，自然不会打印任何东西。

正确的使用方式 #

你需要把tf.Print()的返回值重新赋值给原变量，确保后续计算步骤会用到这个带打印操作的节点。结合你的代码，给你两种修改方案：

方案1：在权重/偏置函数内部嵌入打印

直接修改你现有的get_weights和get_biases函数，让它们返回带打印逻辑的张量：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

def get_weights(n_features, n_labels):
    weights = tf.Variable(tf.truncated_normal((n_features, n_labels)))
    # 加入tf.Print并重新赋值，确保后续计算用到这个节点
    weights = tf.Print(weights, [tf.shape(weights)], message="Weights shape: ")
    return weights

def get_biases(n_labels):
    biases = tf.Variable(tf.zeros(n_labels))
    biases = tf.Print(biases, [tf.shape(biases)], message="Biases shape: ")
    return biases

方案2：在使用变量的位置添加打印

如果你不想修改原函数，可以在调用函数后追加打印操作：

# 假设你原本的代码逻辑
weights = get_weights(784, 10)
biases = get_biases(10)
inputs = tf.placeholder(tf.float32, shape=[None, 784])

# 给需要打印的张量添加tf.Print并重新赋值
weights = tf.Print(weights, [tf.shape(weights)], message="Weights shape: ")
biases = tf.Print(biases, [tf.shape(biases)], message="Biases shape: ")
inputs = tf.Print(inputs, [tf.shape(inputs)], message="Input features shape: ")

# 后续计算必须使用重新赋值后的变量
logits = tf.matmul(inputs, weights) + biases

额外注意事项 #

1. 必须在会话中触发打印节点：只有当你在tf.Session()里运行依赖这些打印节点的操作时，打印才会生效。比如运行训练步骤、计算logits（单纯初始化变量不会触发打印，得运行用到变量的计算）。
2. 别写孤立的tf.Print调用：永远不要只写tf.Print(weights, [tf.shape(weights)])却不赋值，这种写法完全没用，因为节点不会被纳入计算流。
3. TensorFlow 2.x的差异：如果用TF2.x，tf.Print()已经被tf.print()替代，直接调用tf.print(tf.shape(weights))就会立即打印（eager模式下），不用考虑计算图的问题，但你的代码是TF1.x风格，所以重点还是上面的内容。

完整可运行示例 #

给你一个整合了打印功能的完整小例子，直接运行就能看到效果：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

def get_weights(n_features, n_labels):
    weights = tf.Variable(tf.truncated_normal((n_features, n_labels)))
    weights = tf.Print(weights, [tf.shape(weights)], message="Weights shape: ")
    return weights

def get_biases(n_labels):
    biases = tf.Variable(tf.zeros(n_labels))
    biases = tf.Print(biases, [tf.shape(biases)], message="Biases shape: ")
    return biases

# 加载MNIST数据
mnist = input_data.read_data_sets("./mnist_data", one_hot=True)

# 模型参数
n_features = 784
n_labels = 10

# 构建计算图
inputs = tf.placeholder(tf.float32, shape=[None, n_features])
inputs = tf.Print(inputs, [tf.shape(inputs)], message="Input batch shape: ")

weights = get_weights(n_features, n_labels)
biases = get_biases(n_labels)
logits = tf.matmul(inputs, weights) + biases

# 损失和优化器
labels = tf.placeholder(tf.float32, shape=[None, n_labels])
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels))
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

# 运行会话
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 取一个batch的数据训练，触发打印
    batch_x, batch_y = mnist.train.next_batch(32)
    sess.run(optimizer, feed_dict={inputs: batch_x, labels: batch_y})

运行后，你就能在控制台看到打印出的各个张量形状了！

内容的提问来源于stack exchange，提问作者Anu