# 調試 TensorFlow 模型 正如我們在本書中所學到的，TensorFlow 程序用于構建和訓練可用于各種任務預測的模型。在訓練模型時，您可以構建計算圖，運行圖以進行訓練，并評估圖以進行預測。重復這些任務，直到您對模型的質量感到滿意為止，然后將圖與學習的參數一起保存。在生產中，圖是從文件構建或恢復的，并使用參數填充。 構建深度學習模型是一項復雜的技術，TensorFlow API 及其生態系統同樣復雜。當我們在 TensorFlow 中構建和訓練模型時，有時我們會得到不同類型的錯誤，或者模型不能按預期工作。例如，您經常看到自己陷入以下一種或多種情況： * 獲取損失和指標輸出中的 NaN * 即使經過多次迭代，損失或其他指標也沒有改善 在這種情況下，我們需要調試使用 TensorFlow API 編寫的代碼。 要修復代碼以使其正常工作，可以使用調試器或平臺提供的其他方法和工具，例如 Python 中的 Python 調試器（`pdb`）和 Linux OS 中的 GNU 調試器（`gdb`）。當出現問題時，TensorFlow API 還提供一些額外的支持來修復代碼。 在本章中，我們將學習 TensorFlow 中可用的其他工具和技術，以幫助調試： * 使用`tf.Session.run()`獲取張量值 * 使用`tf.Print()`打印張量值 * 用`tf.Assert()`斷言條件 * 使用 TensorFlow 調試器進行調試（`tfdbg`）