开启调试模式需配置logging模块并设置TRANSFORMERS_VERBOSITY=debug，打印硬件状态与逐阶段验证流程，以定位DeepSeek-OCR模型加载与推理问题。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
在本地部署 DeepSeek-OCR 时，开启调试模式能帮助你清晰地看到模型加载、推理过程中的每一步状态，对排查报错、性能瓶颈或输出异常非常关键。核心方法是利用 Python 的 logging 模块和框架内置的日志控制功能。
配置Python日志级别
DeepSeek-OCR 基于 Transformers 构建，其内部使用 Python 的 logging 模块输出信息。你可以在推理脚本开头设置全局日志级别为 DEBUG，以捕获最详细的输出。
在你的 infer.py 或主运行脚本中，添加以下代码：
logging.basicConfig(level=logging.DEBUG, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
这会打印所有模块的调试信息，包括模型加载权重、Tokenizer 处理、GPU 分配等。如果你只想关注 Transformers 相关日志，可以指定模块：
logging.getLogger("transformers").setLevel(logging.DEBUG)启用Transformers详细日志
Hugging Face Transformers 库提供了专门的环境变量来开启详细日志，无需修改代码。
在运行你的推理脚本前，先在终端设置环境变量：
export TRANSFORMERS_VERBOSITY=debugWindows 用户使用：
set TRANSFORMERS_VERBOSITY=debug设置后，再执行 python infer.py，你会看到 tokenizer 如何分词、模型输入张量形状、注意力机制等深层信息。
检查CUDA与硬件状态
很多问题源于 GPU 配置不当。在调试模式下，应主动打印硬件状态。
在代码中加入：
print(f"CUDA available: {torch.cuda.is_available()}")print(f"Current GPU: {torch.cuda.current_device()}")
print(f"GPU name: {torch.cuda.get_device_name()}")
print(f"Memory allocated: {torch.cuda.memory_allocated() / 1024**3:.2f} GB")
这些信息能快速确认是否成功调用 GPU，以及显存占用情况，避免因 OOM（内存溢出）导致中断而不知原因。
逐阶段验证流程
将推理流程拆解，分步打印中间结果，是最有效的排查方式。
- 先测试图像是否成功加载并转换为 tensor，打印 shape 和 device
- 检查 tokenizer 是否能正确处理特殊 token，如 <image>, </image>
- 在 model.generate() 前后分别打印输入输出维度
如果某一步卡住或报错，就能精准定位问题所在，而不是面对一个笼统的“运行失败”。
基本上就这些，关键是让程序“说出来”它正在做什么。
