DeBug Python代码全靠print函数？换用这个一天2K+Star的工具吧
机器之心整理
参与：思源
print 函数已老，DeBug 该靠 PySnooper 了～
小伙伴们，你们都怎样 DeBug Python 代码？是不是常用 print 大法？在本文介绍的这个项目中，deBug Python 代码再也不需要 print 了。只要给有疑问的代码加上装饰器，各种信息一目了然，找出错误也就非常简单了。
这个名为 PySnooper 的项目是刚开源的，仅仅一天就获得了 2K+ 的 Star 量，当然这「一天」还没结束，这个收藏量也会继续刷新。
项目地址：https://github.com/cool-RR/pysnooper
Python 怎样 DeBug？
如果写着写着模型，发现模型不 work 了，那么你该怎样找出 Python 的错误语句？这种错误一般与语法无关，而是某个变量的运算发生了错误。接下来我们就要慢慢找哪个地方有问题了，这里最常见、最直观的方法就是 print 大法。把我们怀疑的变量打印出来，总会找到异常的地方。
如果代码中嵌入了单元测试，例如 assert 语句，那么还能缩小一些怀疑范围。但通常我们都要多次尝试，打印多个变量才能找到错误的地方。在 PyTorch 或 Keras 这样的动态计算图还好，打印出来的直接是一个值，像 TensorFlow 这样的静态计算图，打印出来是张量信息而不是值，这就很尴尬了。
实际上不止是，在我们写 Python 的时候，总是想搞清楚为什么写的代码在运行时有点不大对。很多读者乐于使用断点等成熟的 DeBug 工具，也有的直接使用 print 大法找错误的地方。但现在我们不需要担心了，本文将介绍一个新的开源工具，它信心满满地呼吁到：「不要再使用 print 函数来 DeBug 啦～」
极简DeBug工具PySnooper
一般情况下，想要知道哪一行代码在运行、哪一行不运行、本地变量的值是多少时，大部分人会使用 print 函数，在关键部分打印某个或某组变量的值、形状、类型等信息。
而 PySnooper 让你能快速地获得这些信息，且相比之下它不需要细致地写 print 函数，只需要向感兴趣的函数增加一个装饰器就行了。我们会得到该函数的详细 log，包含哪行代码能运行、什么时候运行以及本地变量变化的确切时间。
相比于其他代码智能工具，PySnooper 为何如此优秀？因为不需要任何设置，你就可以在劣等、不规则的企业代码库上使用 PySnooper。只需要加个装饰器，并为日志输出地址指定路径就行了。
这样说可能不太直观，下面我们可以具体看个案例，PySnooper 的优秀就能一目了然。
PySnooper 案例
下面项目作者写了一个函数以将数值转换为二进制码，该函数返回的是一个二进制列表。下面我们将装饰器 @pysnooper.snoop() 加到该函数上，就大功告成了。
import pysnooper
def number_to_bits(number):
if number:
bits = []
while number:
number, remainder = divmod(number, 2)
bits.insert(0, remainder)
return bits
else:
return [0]
number_to_bits(6)
该函数返回的日志如下，我们可以看到在调用 number_to_bits 函数时，赋予参数 number 的初始值为 6。然后，PySnooper 就还是对着源代码一行行分析了。
如上分析所示，函数每创建一个新变量，那么这个变量的值、这个变量的变化都会展示出来。而且 PySnooper 还将循环展开，因此变化的细节更加明确。最终 6 的二进制版本应该是 [1, 1, 0]，它的变化过程也展示在 bits 变量中。
现在通过这些详细信息，PySnooper 再也不用担心我们用 print 函数强行 deBug 了。
PySnooper 详细特征
如果标准错误输出难以获得，或者太长了，那么可以将输出定位到本地文件：
查看一些非本地变量的值：
展示我们函数中调用函数的 snoop 行：
将所有 snoop 行以某个前缀开始，更容易定位和找到：
演示 PySnooper
下面我们最开始尝试使用 PySnooper 获取 TensorFlow 的信息，如果它能获取各种张量信息，那可就太强大了。
首先使用 pip 安装包：
pip install pysnooper
果然，TensorFlow 这种静态图并不能很好地获取信息，读者也可尝试一下。后面我们试了试 NumPy，希望能获取整个计算流的信息。如下代码所示，我们创建了两个数组变量，并且 2×2 的矩阵会连乘多次，如果能追踪到这种连乘，那就比较好处理错误。
import pysnooper
import numpy as np
def multi_matmul(times):
x = np.random.rand(2, 2)
w = np.random.rand(2, 2)
for i in range(times):
x = np.matmul(x, w)
return x
multi_matmul(3)
对于 NumPy，该工具确实能追踪所有可疑变量的变化过程。当然在实际运算中，矩阵乘法的维度会非常大，我们可以直接追踪形状（Shape），而不是具体的值。
4月27日 INTERFACE 线下技术分享，机器之心邀请到了寒武纪研究院院长杜子东博士为大家做精彩分享，点击阅读原文参与报名。