我已经使用TensorFlow和Jupyter有一段时间了，但这是我第一次遇到这个问题。我有一个包含6层的NN模型，通过调用“classifier”函数来获取模型的实例

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

我还有一个函数来可视化模型摘要，如下所示

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

我通过以下方式获取模型实例，

model_output=classifier(input_repr,prob)

问题是，每次我调用这个函数，然后调用model_summary()，层数就会叠加到之前的模型上。例如，如果我第一次调用“classifier()”，model_Summary()显示5层，但当我再次调用时，它显示10层，依此类推。我总是在调用classifier()方法之前重新初始化，但问题一次又一次地发生。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。

回答：

不要忘记在创建模型之前重置默认图tf.reset_default_graph()。问题在于笔记本是在单线程中运行的，每次你反复构建图时，TensorFlow都会在图上堆叠新节点。这就是为什么在Jupyter笔记本中原型设计时，构建新图时总是要重置默认图。