---
title: NPUOutputTensorHook构造函数
description: "| 产品 | 是否支持 |"
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr1/tfmigr1_tfadapi_0053.html
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr1/tfmigr1_tfadapi_0053.html
indexId: ec6df1a6377f27a12316972c6d286eb0e491e18c8c5ad5e6ad05bef205c3621a79
---
# NPUOutputTensorHook构造函数

#### 产品支持情况

| 产品 | 是否支持 |
| --- | --- |
| Atlas 350 加速卡 | √ |
| Atlas A3 训练系列产品 / Atlas A3 推理系列产品 | √ |
| Atlas A2 训练系列产品 / Atlas A2 推理系列产品 | √ |
| Atlas 200I/500 A2 推理产品 | ☓ |
| Atlas 推理系列产品 | ☓ |
| Atlas 训练系列产品 | √ |


#### 功能说明

NPUOutputTensorHook类的构造函数，NPUOutputTensorHook作用于NPUEstimator的train、evaluate、predict流程中的Hook，用于每N步或者结束时调用用户自定义的output_fn，打印输出tensors。NPUOutputTensorHook类继承了LoggingTensorHook类，可以调用基类的原生接口。


#### 函数原型

```
class NPUOutputTensorHook(basic_session_run_hooks.LoggingTensorHook):
    def __init__(self, tensors,
                 dependencies=None,
                 output_fn=None,
                 output_every_n_steps=0
                 )
```


#### 参数说明

| 参数名 | 输入/输出 | 描述 |
| --- | --- | --- |
| tensors | 输入 | 输入tensor的名称集合。字典或列表格式。 |
| dependencies | 输入 | tensors对应的依赖。 |
| output\_fn | 输入 | tensors的输出打印函数。 |
| output\_every\_n\_steps | 输入 | 会话执行N次和训练脚本执行结束时调用用户定义的output\_fn。 |


#### 返回值

返回NPUOutputTensorHook类对象。


#### 约束说明

Iterations_per_loop>1的场景下，无法按照output_every_n_steps指定的值调用output_fn。


#### 调用示例

```
from npu_bridge.npu_init import *

# 定义output_fn
def output_fn(inputs):
  device_id = os.environ["ASCEND_DEVICE_ID"]
  output_file = os.path.join("/code", device_id, "test_npu_output_tensor.txt")
  for item in inputs:
    content = "step:{},loss:{}".format(str(item['global_step']), str(item['loss']))
    with open(output_file, 'a') as f:
      f.write(content)
      f.write("\n")

# 定义output_hook，用于调用用户定义的output_fn
        tensors = {'global_step': global_step, 'loss': loss}
        output_hook = NPUOutputTensorHook(
            tensors,
            dependencies=train_op_list,
            output_fn=output_fn,
            output_every_n_steps=10)
        train_hook.append(output_hook)

# 在EstimatorSpec传入hook
  return tf.estimator.EstimatorSpec(
      mode=mode,
      predictions=predictions,
      loss=loss,
      train_op=train_op,
      training_chief_hooks=train_hook,
      eval_metric_ops=metrics)
```