Python 2.7 Linux终端输出导出错误

我正在运行一个python程序，它使用

VGG16

神经网络，通过

keras

包，从Kaggle数据库中对猫和狗的图像进行分类。为此，我使用标准的终端命令：

python program.py>output.txt

。我还试用了其他变体，

python program.py&>output.txt

，或者

tee

命令，

python program.py |&tee output.txt

，但它似乎不起作用。对于第一个命令，我的文本文件仅包含：

使用TensorFlow后端。
2017-05-31 13:39:34.218034:W tensorflow/core/platform/cpu\u feature\u guard.cc:45]
TensorFlow库的编译不是为了使用SSE4.1指令，但它们是
在您的机器上可用，可以加快CPU计算速度。
2017-05-31 13:39:34.226941:W tensorflow/core/platform/cpu\u feature\u guard.cc:45]
TensorFlow库的编译不是为了使用SSE4.2指令，但它们是
在您的机器上可用，可以加快CPU计算速度。

但是代码中有很多

打印
语句！
output.txt
文件的预期内容为（仅显示终端输出的前4-5行）：

使用TensorFlow后端。
定义所有路径！
所有路径都已定义！
获取平均RGB并创建标签！

当我只需键入
python program.py
时，就会显示它。该部分：

2017-05-3113:39:34.218034:W tensorflow/core/platform/cpu\u feature\u guard.cc:45]
TensorFlow库的编译不是为了使用SSE4.1指令，但它们是
在您的机器上可用，可以加快CPU计算速度。
2017-05-31 13:39:34.226941:W tensorflow/core/platform/cpu\u feature\u guard.cc:45]
TensorFlow库的编译不是为了使用SSE4.2指令，但它们是
在您的机器上可用，可以加快CPU计算速度。

该部分在终端输出中出现的时间要晚得多。我将我的代码放在这里作为参考，但它有204行长：

导入keras
从keras.models导入顺序、模型
从keras.layers导入平坦、密集、退出、输入、激活
从keras.layers.Conv2D、MaxPoolig2D、ZeroPadding2D卷积导入
从keras.layers.merge导入添加
从keras.optimizers进口新加坡元，Adam
将cv2、numpy作为np导入
导入glob
导入csv
####################
##VGG16函数##
####################
def VGG_16（权重路径=无，类别=2）：
######################################
##输入：3x224x24大小的RGB输入##
######################################
输入=输入（形状=（3224224））
层=0
#############
##第一区##
#############
x=Conv2D（64，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block1（输入）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（64，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block1\u conv2’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=MaxPooling2D（（2,2），跨步=（2,2），name='block1_pool'）（x）
#############
##第2区##
#############
x=Conv2D（128，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block2\u conv1’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（128，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block2（conv2））（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=MaxPooling2D（（2,2），跨步=（2,2），name='block2_pool'）（x）
#############
##第3区##
#############
x=Conv2D（256，（3，3），数据格式为通道优先，激活为relu，填充为same，名称为block3（conv1））（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（256，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block3\u conv2’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（256，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block3（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=MaxPooling2D（（2,2），跨步=（2,2），name='block3_pool'）（x）
#############
##第4区##
#############
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block4\u conv1’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block4\u conv2’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block4\u conv3’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=MaxPooling2D（（2,2），跨步=（2,2），name='block4_pool'）（x）
#############
##第5区##
#############
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block5\u conv1’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block5\u conv2’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
x=Conv2D（512，（3，3），数据格式为通道优先，激活为relu，填充为相同，名称为block5\u conv3’（x）
层+=1
打印（'Layer'+str（Layer）+'的输出形状是，'+str（x.get_shape（）））
out=MaxPooling2D（（2,2），步长=（2,2