Logging 與除錯

用 logging 取代 print

print 很直覺，但有個問題：當程式碼越來越大，你會不知道哪些 print 是重要訊息、哪些是臨時除錯用的，最後要整理時得一個個手動刪。

Python 內建的 logging 模組可以解決這個問題，而且用法幾乎一樣簡單：

import logging

logging.basicConfig(level=logging.INFO, format="%(levelname)s | %(message)s")
logger = logging.getLogger(__name__)

# 使用方式就像 print
logger.info("Training started")
logger.info("Epoch %d | loss=%.4f", epoch, loss)

輸出：

INFO | Training started
INFO | Epoch 1 | loss=0.3241

把這兩行放在每個檔案的最上方，就可以開始用了：

import logging
logger = logging.getLogger(__name__)

Log 等級

logging 有四個常用等級，讓你區分訊息的重要程度：

用法	適合記錄什麼
`logger.debug(...)`	細節資訊（預設不顯示，除錯時才開啟）
`logger.info(...)`	正常流程，例如 epoch 進度、模型載入成功
`logger.warning(...)`	非預期但不致命的狀況，例如找不到 checkpoint
`logger.error(...)`	嚴重錯誤

一般訓練時用 info 記錄進度就夠了。

讀懂錯誤訊息（Traceback）

程式報錯時，Python 會印出一段 Traceback。很多人看到這大段文字會緊張，但其實只需要看最下面一行：

Traceback (most recent call last):
  File "scripts/train.py", line 12, in <module>
    train(config)
  File "src/your_project/training/train.py", line 45, in train
    loss = criterion(output, target)
RuntimeError: Expected all tensors to be on the same device,
              but found at least two devices, cuda:0 and cpu!

讀法：從最下面往上看

最底行 → 真正的錯誤是什麼（RuntimeError: ...）
往上一層 → 哪一行程式碼造成的（loss = criterion(output, target)）

這個例子的意思是：output 在 GPU，target 在 CPU，兩者裝置不同所以出錯。

常見錯誤速查

`ModuleNotFoundError: No module named 'your_project'`

套件沒有安裝，或 conda 環境沒啟動：

conda activate agilab_env
pip install -e .

`RuntimeError: Expected all tensors to be on the same device`

Tensor 在不同裝置（CPU / GPU），把它們統一：

loss = F.mse_loss(pred, target.to(pred.device))

`CUDA out of memory`

GPU 記憶體不夠，先縮小 batch size，或在推論時加 torch.no_grad()：

with torch.no_grad():
    output = model(obs)

想學更多？

→ 進階 Logging 與除錯：統一 logger 模組、寫入 log 檔案、breakpoint 互動除錯

下一步 → 撰寫與執行測試