欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

pycharm单步调试

程序员文章站 2024-02-29 12:40:22
...

debug模式

点击运行标志旁的小甲虫标志级进入debug模式,也可以右键代码进入
pycharm单步调试
pycharm单步调试

debug模式中的按键解释

pycharm单步调试

断点设置

在代码前左键点击会生成红色的点
pycharm单步调试

开始debug

点击小甲虫标志之后,代码会停在红点的前一行,并且会把每一行的数据大小,类型给显示在对应的代码后面,控制框也可看到
pycharm单步调试
之后可以使用单步调试也就是F8让他逐行运行代码
pycharm单步调试
运行经过数据转入代码之后可以看到 batch_xs,batch_ys中的数据信息,包括他的最值、类型、元素数量以及shape。
当需要跳过循环的时候可以使用F9跳到光标位置。如果自己没有设定光标位置,则会运行整个代码。
pycharm单步调试
可以看到acc(精度为)再次按下F9可以得到下一个循环的精度0.8333是越来越接近1的

pycharm单步调试
也可以查看每个周期的权重W会发现是动态变化的
pycharm单步调试

代码

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 批次大小
batch_size = 64
# 计算一个周期一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

# 定义两个placeholder
#x表示输入图片的数据,y表示类别个数。x被拉伸成为1×784,y被拉伸成为1×10
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

# 创建一个简单的神经网络:784-10
#创建规格为784×10方差为0.1的权重矩阵和规格为1×10的偏执向量
W = tf.Variable(tf.truncated_normal([784,10], stddev=0.1))
b = tf.Variable(tf.zeros([10]) + 0.1)
#对x*w+b使用softmax**函数
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

# 二次代价函数
# loss = tf.losses.mean_squared_error(y, prediction)
# 交叉熵 000
loss = tf.losses.softmax_cross_entropy(y, prediction)

# 使用梯度下降法
train = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

# 结果存放在一个布尔型列表中
#tf.argmax(y,1)得到里面的最大值
#tf.equal()判断函数内部的值是否一样,一样为TRUE否则为FALSE
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
# 将上面correct_prediction的格式转化为32位浮点型,并且求平均值,得到准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())
    # 周期epoch:所有数据训练一次,就是一个周期
    for epoch in range(21):
        for batch in range(n_batch):
            # 获取一个批次的数据和标签
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train,feed_dict={x:batch_xs,y:batch_ys})
        # 每训练一个周期做一次测试输出周期数和准确率
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
        w_print = str(sess.run(W))
    #在当前目录下创建logdir文件夹,内部存放生成文件
    writer = tf.summary.FileWriter('logdir/', sess.graph)
    #w_print = sess.run(W)
    #print(str(w_print))
    #b_print = sess.run(b)
    #print(str(b_print))