# 调试 TensorFlow 模型 正如我们在本书中所学到的，TensorFlow 程序用于构建和训练可用于各种任务预测的模型。在训练模型时，您可以构建计算图，运行图以进行训练，并评估图以进行预测。重复这些任务，直到您对模型的质量感到满意为止，然后将图与学习的参数一起保存。在生产中，图是从文件构建或恢复的，并使用参数填充。 构建深度学习模型是一项复杂的技术，TensorFlow API 及其生态系统同样复杂。当我们在 TensorFlow 中构建和训练模型时，有时我们会得到不同类型的错误，或者模型不能按预期工作。例如，您经常看到自己陷入以下一种或多种情况： * 获取损失和指标输出中的 NaN * 即使经过多次迭代，损失或其他指标也没有改善 在这种情况下，我们需要调试使用 TensorFlow API 编写的代码。 要修复代码以使其正常工作，可以使用调试器或平台提供的其他方法和工具，例如 Python 中的 Python 调试器（`pdb`）和 Linux OS 中的 GNU 调试器（`gdb`）。当出现问题时，TensorFlow API 还提供一些额外的支持来修复代码。 在本章中，我们将学习 TensorFlow 中可用的其他工具和技术，以帮助调试： * 使用`tf.Session.run()`获取张量值 * 使用`tf.Print()`打印张量值 * 用`tf.Assert()`断言条件 * 使用 TensorFlow 调试器进行调试（`tfdbg`）