tensorflow - 每次调用模型的新实例时，神经网络模型中的层数都会不断增加

Question

我现在使用tensorflow和jupyter工作了一段时间，但这是我第一次遇到这个问题。我有一个 6 层的 NN 模型，我通过调用函数“classifier”获得该模型的实例

def classifier(input_repr,prob,reuse=None):
    e_l1=tf.layers.dense(inputs=input_repr,units=512,activation=tf.nn.leaky_relu)
    e_l1=tf.nn.dropout(e_l1,prob)
    e_l2=tf.layers.dense(inputs=e_l1,units=256,activation=tf.nn.leaky_relu)
    e_l2=tf.nn.dropout(e_l2,prob)
    e_l3=tf.layers.dense(inputs=e_l2,units=128,activation=tf.nn.leaky_relu)  
    e_l3=tf.nn.dropout(e_l3,prob)
    e_l4=tf.layers.dense(inputs=e_l3,units=64,activation=tf.nn.leaky_relu)  
    e_l4=tf.nn.dropout(e_l4,prob)
    e_l5=tf.layers.dense(inputs=e_l4,units=32,activation=tf.nn.leaky_relu)  
    e_l5=tf.nn.dropout(e_l5,prob)
    d_l3=tf.layers.dense(inputs=e_l5,units=1,activation=tf.nn.leaky_relu)
    return d_l3

我还有一个函数可以将模型摘要可视化为

def model_summary():
    model_vars = tf.trainable_variables()
    slim.model_analyzer.analyze_vars(model_vars, print_info=True)

print(model_summary())

我得到的模型实例为，

model_output=classifier(input_repr,prob)

问题是每当我调用它，然后我调用 model_summary() 时，层都会堆叠到先前的模型。例如，如果当我第一次调用“classifier()”时，model_Summary() 显示 5 层，但当我再次调用它时，它显示 10 层，依此类推。我总是在调用 classifier() 方法之前再次初始化，但它只是一次又一次地发生。不知道是不是jupyter的问题。我知道解决这个问题的唯一方法是完全重新启动内核，这会导致变量丢失。

Answer 1

在创建模型之前，不要忘记重置默认图表tf.reset_default_graph()。问题是笔记本在单个线程中运行，并且每当您一遍又一遍地构建图形时，Tensorflow 都会在图形上堆叠新节点。这就是为什么在 Jupyter Notebook 中进行原型(prototype)设计时，在开始构建新图表时始终重置默认图表。