# 使用`tf.Print()`打印張量值 為調試目的打印值的另一個選項是使用`tf.Print()`。當執行包含`tf.Print()`節點的路徑時，您可以在`tf.Print()`中包含張量以在標準錯誤控制臺中打印其值。 `tf.Print()`函數具有以下簽名： ```py tf.Print( input_, data, message=None, first_n=None, summarize=None, name=None ) ``` 該函數的參數如下： * `input_`是一個從函數返回的張量，沒有任何操作 * `data`是要打印的張量列表 * `message`是一個字符串，它作為打印輸出的前綴打印出來 * `first_n`表示打印輸出的步驟數;如果此值為負，則只要執行路徑，就始終打印該值 * `summarize`表示從張量打印的元素數量;默認情況下，僅打印三個元素 您可以按照 Jupyter 筆記本中的代碼`ch-18_TensorFlow_Debugging`。 讓我們修改之前創建的 MNIST MLP 模型來添加 print 語句： ```py model = tf.Print(input_=model, data=[tf.argmax(model,1)], message='y_hat=', summarize=10, first_n=5 ) ``` 當我們運行代碼時，我們在 Jupyter 的控制臺中獲得以下內容： ```py I tensorflow/core/kernels/logging_ops.cc:79] y_hat=[0 0 0 7 0 0 0 0 0 0...] I tensorflow/core/kernels/logging_ops.cc:79] y_hat=[0 7 7 1 8 7 2 7 7 0...] I tensorflow/core/kernels/logging_ops.cc:79] y_hat=[4 8 0 6 1 8 1 0 7 0...] I tensorflow/core/kernels/logging_ops.cc:79] y_hat=[0 0 1 0 0 0 0 5 7 5...] I tensorflow/core/kernels/logging_ops.cc:79] y_hat=[9 2 2 8 8 6 6 1 7 7...] ``` 使用`tf.Print()`的唯一缺點是該函數提供了有限的格式化功能。