选自Google Blog
作者：蔡善清
参与：李泽南、李亚洲
随着 2 月 16 日谷歌开发者大会上 TensorFlow1.0 的发布，这一最流行的深度学习框架迈进了新的时代。昨天，谷歌宣布开源 TensorFlow Debugger，一个专用于调试TensorFlow 代码的新工具，希望以此让开发者们能够更轻松地构建机器学习项目。
今天，我们很高兴发布 TensorFlow Debugger：一个让 TensorFlow 中机器学习模型变得容易的工具。
地址：https://www.tensorflow.org/programmers_guide/debugger
TensorFlow 是谷歌开源的机器学习框架，它基于数据流图。构建一个典型的 TensorFlow 机器学习项目需要经历两个步骤：
1. 使用 Python API 将机器学习模型设置为数据流图。
2. 使用 Session.run() 对这个流图进行训练或应用。
此前，如果在第二阶段出现了错误和 bug（如 TensorFlow runtime），我们很难进行 debug 工作。
为了了解这种情况，请注意标准的 Python debugger，Session.run() 调用是一个单独的语句，不会暴露流图的内部结构（节点及其连接）和状态（输出数组或节点的张量）。一些低级的 debugger，如 gdb 无法理解 TensorFlow 流图的堆栈结构和变量值。所以，一个专用的运行环境调试器（debugger）是目前 TensorFlow 用户所急需的工具。
tfdbg 的出现完美解决了运行环境调试器的需求。让我们看看它在一个简短的，用于运行简单线性方程梯度下降的代码片段中的表现。
import numpy as npimport tensorflow as tfimport tensorflow.python.debug as tf_debugxs = np.linspace(-0.5, 0.49, 100)x = tf.placeholder(tf.float32, shape=[None], name="x")y = tf.placeholder(tf.float32, shape=[None], name="y")k = tf.Variable([0.0], name="k")y_hat = tf.multiply(k, x, name="y_hat")sse = tf.reduce_sum((y - y_hat) * (y - y_hat), name="sse")train_op = tf.train.GradientDescentOptimizer(learning_rate=0.02).minimize(sse)sess = tf.Session()sess.run(tf.global_variables_initializer())sess = tf_debug.LocalCLIDebugWrapperSession(sess)for _ in range(10):sess.run(train_op, feed_dict={x: xs, y: 42 * xs})正如代码高亮处所示，会话对象被包装为 debugging（LocalCLIDebugWrapperSession），因此调用 run() 方式将启动 tfdbg 的命令行界面（CLI）。使用鼠标点击或输入命令，你可以继续进行连续调用，检查流图节点和它们的属性，通过中间张量显示流图中执行所有相关节点的完整历史记录。通过使用 invoke_stepper 命令，你可以在「步进模式」中执行 Session.run() 调用。在该模式下，您可以跳转到所选节点，观察和修改它们的输出，然后继续检查下一步，这类似于程序语言的 debug（就像在 gdb 或 pdb 中）。
在开发 TensorFlow 机器学习模型时，我们经常会遇到的问题是由于溢出、被零除、log0 等情况下出现的错误值（无穷大和 NaN）在大型 TensorFlow 流图中，寻找这样的错误是费时费力的。但现在通过 tfdbgCLI，你可以很快地找到罪魁祸首。以下视频展示了如何使用 tfdbg 解决神经网络代码中的无穷大/NaN 问题。
相比于其他 debug 选择，比如 Print Ops，tfdbg 需要更少的代码行变化，还能提供对 graph 更全面的覆盖，以及更交互的 debug 体验。tfdbg 能够加速模型开发、debug 工作流程。它还提供了其他的特征，比如对服务器环境中废弃张量（dumped tensors）的离线 debug，还有融合 tf.contrib.learn 的特征。在你开始的时候，可以先浏览这一文档：
https://www.tensorflow.org/programmers_guide/debugger。
运行 tfdbg 需求的 TensorFlow 最低版本是 0.12.1。报告 bug 时，请在 Github 上 TensorFlow 的问题页面开个问题。
以下论文详细展示了 tfdbg 的设计。
论文：TensorFlow Debugger: Debugging Dataflow Graphs for Machine Learning
摘要：可调试性在机器学习系统的开发中非常重要。包括 TensorFlow 和 Theano 在内的多个普遍使用的机器学习框架都是基于数据流图的（dataflow graph)。虽然数据流图能提供分布式训练这样的便利，但这种范式也使得模型问题的 debugg 相比于传统的程序式模型的 debugg 更难。在此论文中，我们提出了 TensorFlow Debugger（tfdbg) 设计，为 TensorFlow 中的机器学习模型专门设计的 debugger。tfdbg 提供的特征包括检验运行时数据流图和媒介图形元素（张量，trensors），以及模拟在图上的步骤。我们将会讨论该 debugger 在开发和测试使用案例中的应用。
论文地址：https://research.google.com/pubs/pub45789.html