每次调用模型的新实例时，NN 模型中的层数都会不断增加答案

【问题标题】：Number of layers in the NN model keeps increasing every time I call a new instance of the model每次调用模型的新实例时，NN 模型中的层数都会不断增加
【发布时间】：2019-06-10 08:00:13
【问题描述】：

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“分类器”获得了这个模型的一个实例

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())

我得到模型实例，

model_output=classifier(input_repr,prob)

问题是每当我调用它，然后我调用 model_summary() 时，这些层就会叠加到以前的模型上。例如，如果我第一次调用“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。我总是在调用分类器（）方法之前再次初始化，但它只是一次又一次地发生。我不知道这是否是 jupyter 的问题。我知道解决这个问题的唯一方法是完全重启内核，这会导致变量丢失。

【问题讨论】：

您应该制作一个可重现的示例来显示问题并将其包含在您的问题中。

标签： tensorflow machine-learning jupyter-notebook

【解决方案1】：

在创建模型之前，不要忘记重置默认图形 tf.reset_default_graph()。问题是笔记本在单线程中运行，每当您一遍又一遍地构建图表时，Tensorflow 都会在图表上堆叠新节点。这就是为什么在 Jupyter notebook 中进行原型设计时，总是在开始构建新图时重置默认图。

【讨论】：

谢谢，戈尔扬。它解决了这个问题，尽管我想提一下，必须小心放置 tf.reset_default_graph() 的位置。必须放在模型初始化之前。

【解决方案2】：

每次调用函数classifier 时，您都会创建额外的层，当您创建model 并编译它时，仅使用model 对象到model.fit 和model.predict

【讨论】：

但是在训练时，它不会训练原始模型，而是训练堆叠模型。不管怎样，正如@gorjan 所描述的，问题已经解决了！