用PDB库调试Python程序

Python自带的pdb库,发现用pdb来调试程序还是很方便的,当然了,什么远程调试,多线程之类,pdb是搞不定的。

用pdb调试有多种方式可选:

1. 命令行启动目标程序,加上-m参数,这样调用myscript.py的话断点就是程序的执行第一行之前
python -m pdb myscript.py

2. 在Python交互环境中启用调试
>>> import pdb
>>> import mymodule
>>> pdb.run(‘mymodule.test()’)

3. 比较常用的,就是在程序中间插入一段程序,相对于在一般IDE里面打上断点然后启动debug,不过这种方式是hardcode的

if __name__ == "__main__":
a = 1
import pdb
pdb.set_trace()
b = 2
c = a + b
print (c)

然后正常运行脚本,到了pdb.set_trace()那就会定下来,就可以看到调试的提示符(Pdb)了

常用的调试命令

h(elp),会打印当前版本Pdb可用的命令,如果要查询某个命令,可以输入 h [command],例如:“h l” — 查看list命令
l(ist),可以列出当前将要运行的代码块

在交互环境中通常使用pdb.run来调试:

import pdb
 
def pdb_test(arg):
     for i in range (arg):
         print (i)
     return arg
 
pdb.run( "pdb_test(3)" )

 

 b 函数名、行号

     打断点,b可以查询所有的断点。

(Pdb) b pdb_test
Breakpoint 1 at c:\users\plpcc\desktop\pdbtest.py: 3
(Pdb) b
Num Type         Disp Enb   Where
1   breakpoint   keep yes   at c:\users\plpcc\desktop\pdbtest.py: 3

 

  c:

     运行程序,直到遇到断点。

(Pdb) c
> c:\users\plpcc\desktop\pdbtest.py( 4 )pdb_test()
- > for i in range (arg):

 

   l:

     查看断点周围的代码

(Pdb) l
   1     import pdb
   2    
   3 B   def pdb_test(arg):
   4  - >      for i in range (arg):
   5             print (i)
   6         return arg
   7    
   8     pdb.run( "pdb_test(3)" )

 

  a:

     查看参数

(Pdb) a
arg = 3

 

  s, n:

     单步运行,区别s会进入路径中的函数,n不会进入 

  p:

     查看表达式的值

(Pdb) p i
0

  condition:

     条件断点,只有条件为true断点才命中

> c:\users\plpcc\desktop\pdbtest.py( 5 )pdb_test()
- > print (i)
(Pdb) l
   1     import pdb
   2    
   3     def pdb_test(arg):
   4         for i in range (arg):
   5 B - >          print (i)
   6         return arg
   7    
   8     pdb.run( "pdb_test(3)" )
[EOF]
(Pdb) b
Num Type         Disp Enb   Where
2   breakpoint   keep yes   at c:\users\plpcc\desktop\pdbtest.py: 5
(Pdb) condition 2 i = = 1   / / i = = 1 时才触发断点 2
New condition set for breakpoint 2.
(Pdb) b
Num Type         Disp Enb   Where
2   breakpoint   keep yes   at c:\users\plpcc\desktop\pdbtest.py: 5
     stop only if i = = 1
(Pdb) c
0                       / / i = = 0 直接打印未断住
> c:\users\plpcc\desktop\pdbtest.py( 5 )pdb_test()
- > print (i)             / / 触发断点,i = = 1
(Pdb) p i
1

  bt:

      查看调用堆栈

(Pdb) bt
   c:\python33\lib\bdb.py( 405 )run()
- > exec (cmd, globals , locals )
   <string>( 1 )<module>()
> c:\users\plpcc\desktop\pdbtest.py( 5 )pdb_test()
- > print (i)

  r:

      执行到函数返回

(Pdb) r
1
2
- - Return - -
> c:\users\plpcc\desktop\pdbtest.py( 6 )pdb_test() - > 3 / / 代码位置、函数返回值 - > 3
- > return arg                                       / / 代码位置的语句
(Pdb) l
   1     import pdb
   2    
   3     def pdb_test(arg):
   4         for i in range (arg):
   5             print (i)
   6  - >      return arg
   7    
   8     pdb.run( "pdb_test(3)" )

 

通过pdb.set_trace() 在代码中指定位置嵌入一个断点,通常可以通过调试开关来控制

import pdb
 
__DEBUG__ = True
 
def pdb_test(arg):
     if True = = __DEBUG__:
         pdb.set_trace()
     for i in range (arg):
         print (i)
     return arg
 
pdb_test( 3 )

 

 运行后在pdb.set_trace()位置被断住,当__DEBUG__ = False,代码正常运行

> c:\users\plpcc\desktop\pdbtest.py( 8 )pdb_test()
- > for i in range (arg):
(Pdb) l
   3     __DEBUG__ = True
   4    
   5     def pdb_test(arg):
   6         if True = = __DEBUG__:
   7             pdb.set_trace()
   8  - >      for i in range (arg):
   9             print (i)
  10         return arg
  11    
  12     pdb_test( 3 )
[EOF]

 

通过pdb.pm()进行事后调试,可以跟踪异常程序最后的堆载信息:

Traceback (most recent call last):
   File "C:\Users\plpcc\Desktop\pdbTest.py" , line 13 , in <module>
     pdb_test( 3 )
   File "C:\Users\plpcc\Desktop\pdbTest.py" , line 10 , in pdb_test
     1 / 0
ZeroDivisionError: division by zero
>>> import pdb
>>> pdb.pm()
> c:\users\plpcc\desktop\pdbtest.py( 10 )pdb_test()
- > 1 / 0
(Pdb) l
   5     def pdb_test(arg):
   6         if True = = __DEBUG__:
   7             pdb.set_trace()
   8         for i in range (arg):
   9             print (i)
  10  - >          1 / 0
  11         return arg
  12    
  13     pdb_test( 3 )

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值