对于tensorflow 2.1.0，以下代码运行正常。

import tensorflow as tf
tf.compat.v1.logging.set_verbosity(tf.compat.v1.logging.ERROR)

我使用的是Tensorflow 2.3.1版本，上面的解决方案都没有完全有效。 直到我找到这个包裹。

像这样安装:

水蟒,

python -m pip install silence-tensorflow

ide,

pip install silence-tensorflow

并在第一行代码中添加:

from silence_tensorflow import silence_tensorflow
silence_tensorflow()

就是这样!

2.0更新(10/8/19) 设置TF_CPP_MIN_LOG_LEVEL应该仍然有效(参见下文v0.12+更新)，但在2.0版到2.3版有报告的问题。Z固定在2.4及以后。如果设置TF_CPP_MIN_LOG_LEVEL对您不起作用(同样，参见下文)，请尝试执行以下操作来设置日志级别:

import tensorflow as tf
tf.get_logger().setLevel('INFO')

另外，请参阅tf.autograph的文档。Set_verbosity设置签名日志消息的详细信息，例如:

# Can also be set using the AUTOGRAPH_VERBOSITY environment variable
tf.autograph.set_verbosity(1)

v0.12+更新(5/20/17)，通过TF 2.0+工作:

在TensorFlow 0.12+中，你现在可以通过名为TF_CPP_MIN_LOG_LEVEL的环境变量来控制日志记录;它默认为0(显示所有日志)，但可以在Level列下设置为以下值之一。

  Level | Level for Humans | Level Description                  
 -------|------------------|------------------------------------ 
  0     | DEBUG            | [Default] Print all messages       
  1     | INFO             | Filter out INFO messages           
  2     | WARNING          | Filter out INFO & WARNING messages 
  3     | ERROR            | Filter out all messages      

请参阅下面使用Python的通用操作系统示例:

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'  # or any {'0', '1', '2'}
import tensorflow as tf

您可以在运行脚本的环境中设置此环境变量。例如，对于bash，它可以在文件~/中。Bashrc， /etc/environment， /etc/profile，或者在实际的shell中:

TF_CPP_MIN_LOG_LEVEL=2 python my_tf_script.py

为了更彻底，你还可以调用Python tf_logging模块的级别设置，该模块用于例如摘要操作，tensorboard，各种估计器等。

# append to lines above
tf.logging.set_verbosity(tf.logging.ERROR)  # or any {DEBUG, INFO, WARN, ERROR, FATAL}

对于1.14，如果你没有更改为使用v1 API，你会收到如下警告:

# append to lines above
tf.compat.v1.logging.set_verbosity(tf.compat.v1.logging.ERROR)  # or any {DEBUG, INFO, WARN, ERROR, FATAL}

---

**For Prior Versions of TensorFlow or TF-Learn Logging (v0.11.x or lower):**

查看下面的页面，了解TensorFlow日志记录的信息;使用新的更新，您可以将日志详细信息设置为DEBUG, INFO, WARN, ERROR或FATAL。例如:

tf.logging.set_verbosity(tf.logging.ERROR)

该页还介绍了可以与TF-Learn模型一起使用的监视器。这是那一页。

不过，这并不会阻止所有日志记录(只会阻止TF-Learn)。我有两个解;一个是“技术上正确的”解决方案(Linux)，另一个涉及重建TensorFlow。

script -c 'python [FILENAME].py' | grep -v 'I tensorflow/'

至于另一个，请参阅这个答案，其中涉及修改源代码和重建TensorFlow。

我也遇到过这个问题(在tensorflow-0.10.0rc0上)，但无法通过建议的答案修复过多的鼻子测试日志问题。

我设法通过直接探测张量流记录器来解决这个问题。不是最正确的修复，但工作很好，只污染直接或间接导入tensorflow的测试文件:

# Place this before directly or indirectly importing tensorflow
import logging
logging.getLogger("tensorflow").setLevel(logging.WARNING)

以上的解决方案都不能解决我在Jupyter Notebook中的问题，所以我使用以下来自Cicoria的代码片段，问题解决了。

import warnings  
with warnings.catch_warnings():  
    warnings.filterwarnings("ignore",category=FutureWarning)
    import tensorflow as tf
    from tensorflow import keras
    from tensorflow.keras.preprocessing.text import Tokenizer

print('Done') 

如果你只需要清除屏幕上的警告输出，你可能想在导入tensorflow后立即使用这个简单的命令清除控制台屏幕(根据我的经验，它比禁用所有调试日志更有效):

在windows中:

import os
os.system('cls')

在Linux或Mac中:

import os
os.system('clear')