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。
实际上不止是机器学习，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
@pysnooper.snoop()
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：
@pysnooper.snoop('/my/log/file.log')查看一些非本地变量的值：
@pysnooper.snoop(variables=('foo.bar', 'self.whatever'))
展示我们函数中调用函数的 snoop 行：
@pysnooper.snoop(depth=2)
将所有 snoop 行以某个前缀开始，更容易定位和找到：
@pysnooper.snoop(prefix='ZZZ ')
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
@pysnooper.snoop()
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。
