现在大家应该用的都是tensorflow 2.0 以上版本， 这个笔记针对的就是tf2的调试。
之前全网搜了很多keras的调试方法， 根本不得要领， 把简单的事情弄复杂， 很是误人子弟。
其实， 只需要一句话， 就可以把keras当成pytorch了，极易调试。tf.config.experimental_run_functions_eagerly(True) 什么是调试？ 比如我想自定义一个损失函数， 比如：
def my_loss(y_true, y_pred):
return 10000 * (y_true - y_pred) ** 2显然，很多时候我并不能一次就写对， 因此我希望能进入到函数中去， 用一例实际的y_true 和 y_pred， 进行调试，通过数值帮助我验证我代码逻辑的准确性。
理想很丰满， 现实很骨感。
如果你直接使用以下的代码
model.compile(optimizer=opt, loss=my_loss)
model.fit(data, data)然后你这样的打上断点进行debug：
虽然你可以成功的进入到函数中，但结果是：
所有数据都是None， 这是因为你只建立了一个图， 没有实际的数据， 而面对一堆None数据， 你如何调试？ 你都不知道错误在哪， 这断点不如不打。这就是我想强调的问题所在！tf2.0号称默认动态图， 但其实调试的时候还是以类似静态图的方式进行的
所以， 需要手动在代码开始的时候加入一句：
tf.config.experimental_run_functions_eagerly(True) 就可以了！
可以看到， 同样的断点， 在加了使用动态图的上面这句代码后， 每次调试的时候， 就不再是None， 而是具体的数值了！
同时，你可以随意的在debug console里进行各种交互：
点击console 和 debug按钮， 就可以进入交互模式， 这个的效果是和 matlab的断点后在命令行进行调试是完全一样， 我觉得是做数据研究必备的！
什么？ 动态图影响了运行速度？ 你调试完代码成功后注释掉不就行了！
不够pytorch？ 想看哪一层的输出， 在那一层后面插一个lambda层， 然后断点在lambda层里就可以了！
觉得太轻松？
参考下tensorflow的这个例程吧， 配合这个动态图调试， 和pytorch几乎一模一样了！
