tf.print() vs Python print vs tensor.eval()

看来在Tensorflow中，至少有三种方法可以打印出张量的值。我一直在读here https://www.freecodecamp.org/news/debugging-tensorflow-a-starter-e6668ce72617/ and there https://jacobbuckman.com/post/graph-inspection/，但还是很困惑。

这些作者似乎将不同的用法总结为：

• Python print：只能打印出张量的某些属性，例如它的形状，因为在计算图之外它只是一个操作。
• tensor.eval(): 不确定它与tf.print()
• tf.print()：可以输出张量的实际值，但必须插入到图中的某个位置并被其他操作使用，否则它将是悬空的并且仍然不会打印。

我的困惑可能还在于我不确定我们可以在张量流计算图中访问多少Python功能，或者计算图“结束”和Python代码“开始”在哪里。例如

1. 如果我在构造计算图的两行之间插入 Python 打印，当我调用sess.run()以后这条线会被调用吗？
2. 如果我想在计算图中打印出多个张量值，我应该把这些语句放在哪里？
3. 有什么区别tensor.eval() and tf.print()？我应该如何以不同的方式使用它们？

原生Pythonprint()第一次构建图时将调用语句。看一下这个：

a = tf.placeholder(shape=None, dtype=tf.int32)
b = tf.placeholder(shape=None, dtype=tf.int32)
print("a is ",a," while b is ",b)
c = tf.add(a, b)
with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: 1, b: 2}))
    print(sess.run(c, feed_dict={a: 3, b: 1}))

通过执行此代码块，输出为：

# a is  Tensor("Placeholder:0", dtype=int32)  while b is  Tensor("Placeholder_1:0", dtype=int32)
# 3
# 4

另一方面，让我们看看tf.print():

a = tf.placeholder(shape=None, dtype=tf.int32)
b = tf.placeholder(shape=None, dtype=tf.int32)
print_op = tf.print("a is ",a," while b is ",b)
with tf.control_dependencies([print_op]):
    c = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: 1, b: 2}))
    print(sess.run(c, feed_dict={a: 3, b: 1}))

因此，根据下面的输出，我们可以看到，如果我们添加依赖项tf.printop 必须在任何时候运行c运行后，我们可以看到我们想要的输出：

# a is  1  while b is  2
# 3
# a is  3  while b is  1
# 4

最后，tensor.eval()与sess.run(tensor)。然而，限制tensor.eval()是你可以运行它来评估单个张量，而tf.Session可用于评估多个张量sess.run([tensor1, tensor2])。如果你问我，我总是会使用sess.run(list_of_tensors)，评估我想要的尽可能多的张量，并打印出它们的值。