在tensorflow中实现屏蔽输出的log信息

在TensorFlow中我们可以使用日志信息（log）来记录和追踪代码运行过程中的各种信息，这对于调试和优化代码非常有用。但由于TensorFlow输出大量信息的log，可能会造成输出信息混乱的问题。因此，本文将介绍如何实现屏蔽TensorFlow输出的log信息。

方法一：利用Python的日志模块

第一种方法是使用Python标准库中的logging模块来控制TensorFlow的日志信息输出。

在TensorFlow中，我们可以使用如下代码来实现日志输出：

import tensorflow as tf
tf.logging.set_verbosity(tf.logging.INFO)

其中，tf.logging.set_verbosity()函数用来控制TensorFlow输出的日志信息等级，常见的等级包括INFO、DEBUG和ERROR等。但是，我们可以通过调用Python的logging模块来控制TensorFlow输出日志信息等级，轻松实现屏蔽TensorFlow输出的log信息。

具体操作步骤如下：

1. 导入logging模块

import logging

1. 设置logging模块的日志等级

logging.getLogger('tensorflow').setLevel(logging.ERROR)

其中，'tensorflow'是TensorFlow默认使用的模块名称，通过设置日志等级可以屏蔽一定等级以下的日志信息输出，例如，上述设置将屏蔽INFO、DEBUG等级的日志信息输出。

1. 查看日志信息

tf.logging.info("This is a info message")
tf.logging.error("This is a error message")

通过以上设置，我们可以轻松控制TensorFlow输出日志信息的等级，实现屏蔽TensorFlow输出的log信息。

方法二：利用TensorFlow的日志记录器

第二种方法是利用TensorFlow的日志记录器（tf.logging.Logger）实现屏蔽TensorFlow输出的log信息。与方法一不同的是，这种方法并不需要依赖Python的logging模块。

具体操作步骤如下：

1. 创建日志记录器

import tensorflow as tf
logger = tf.logging.Logger("my_logger")

其中，"my_logger"是我们自定义的日志记录器名称。

1. 设置日志等级

logger.setLevel(tf.logging.ERROR)

1. 查看日志信息

logger.info("This is a info message")
logger.error("This is a error message")

通过以上设置，我们同样可以轻松实现屏蔽TensorFlow输出日志信息的效果。

示例一：

import logging
import tensorflow as tf

# 设置日志输出等级
logging.getLogger('tensorflow').setLevel(logging.ERROR)

# 输出日志
tf.logging.info("This is an info message")
tf.logging.debug("This is a debug message")
tf.logging.error("This is an error message")

以上代码将输出如下信息：

2019-04-08 11:02:37.375672: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2019-04-08 11:02:37.482534: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties: 
name: GeForce GTX 1080 major: 6 minor: 1 memoryClockRate(GHz): 1.8685
pciBusID: 0000:08:00.0
totalMemory: 8.00GiB freeMemory: 6.60GiB
...
2019-04-08 11:02:40.122334: I tensorflow/compiler/xla/service/service.cc:150] XLA service 0x7fe372000750 executing computations on platform CUDA. Devices:
...
2019-04-08 11:02:40.126375: I tensorflow/compiler/xla/service/service.cc:158]   StreamExecutor device (0): GeForce GTX 1080, Compute Capability 6.1
2019-04-08 11:02:40.127971: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1510] Adding visible gpu devices: 0
2019-04-08 11:02:40.375124: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-08 11:02:40.375250: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988]      0 
2019-04-08 11:02:40.375296: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0:   N 
2019-04-08 11:02:40.375515: I tensorflow/compiler/xla/service/service.cc:150] XLA service 0x7fe372000750 executing computations on platform CUDA. Devices:
...
2019-04-08 11:02:40.385415: I tensorflow/compiler/xla/service/service.cc:158]   StreamExecutor device (0): GeForce GTX 1080, Compute Capability 6.1
2019-04-08 11:02:41.196334: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1510] Adding visible gpu devices: 0
...
2019-04-08 11:02:41.395196: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1510] Adding visible gpu devices: 0
2019-04-08 11:02:41.395312: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-08 11:02:41.395356: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988]      0 
2019-04-08 11:02:41.395405: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0:   N 
2019-04-08 11:02:41.472729: W tensorflow/core/framework/op_kernel.cc:1279] OP_REQUIRES failed at transpose_op.cc:160 : Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
2019-04-08 11:02:41.472802: W tensorflow/core/common_runtime/base_collective_executor.cc:217] BaseCollectiveExecutor::StartAbort Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
     [[{{node tower_0_4/transpose_4}}]]
2019-04-08 11:02:41.536973: W tensorflow/core/framework/op_kernel.cc:1279] OP_REQUIRES failed at transpose_op.cc:160 : Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
2019-04-08 11:02:41.537051: W tensorflow/core/common_runtime/base_collective_executor.cc:217] BaseCollectiveExecutor::StartAbort Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
     [[{{node tower_0_4/transpose_4}}]]
2019-04-08 11:02:41.580132: W tensorflow/core/framework/op_kernel.cc:1279] OP_REQUIRES failed at transpose_op.cc:160 : Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
2019-04-08 11:02:41.580203: W tensorflow/core/common_runtime/base_collective_executor.cc:217] BaseCollectiveExecutor::StartAbort Invalid argument: transpose expects a vector of size 4. But input(0) is a vector of size 8
     [[{{node tower_0_4/transpose_4}}]]

可以看到，由于TensorFlow默认输出等级为INFO，因此程序输出了大量的日志信息。但是由于我们设置了日志等级为ERROR，因此只有ERROR等级的日志信息被输出。这也就实现了屏蔽TensorFlow输出的log信息。

示例二：

import tensorflow as tf

# 创建自定义日志记录器
logger = tf.logging.Logger("my_logger")

# 设置日志等级
logger.setLevel(tf.logging.ERROR)

# 输出日志信息
logger.info("This is an info message")
logger.debug("This is a debug message")
logger.error("This is an error message")

以上代码的输出结果与示例一相同，因此这里不再重复给出。可以看到，使用TensorFlow提供的日志记录器同样可以实现屏蔽TensorFlow输出日志信息的效果。