TensorFlow1.14训练时出错

最近在学习深度学习方面的知识，在训练网络时出现了这个错误，搜不到解决方案，像这种错误怎么解决呀？

根据错误提示可以看出是在训练过程中出现了AlreadyExistsError错误，可能是由于在代码中重复定义了某些资源。建议检查一下代码中是否有重复定义某些变量或操作的情况。也可以尝试在训练之前，通过调用tf.reset_default_graph()清除默认计算图，然后重新构建计算图来解决该问题。此外，还可以尝试升级TensorFlow版本或者尝试在其他机器上运行该代码。

针对深度学习训练时出现的错误，一般可以从以下几个方面来排查和解决：

1.查看错误提示信息：根据错误提示信息，可以了解到错误所在的文件和行号，以及错误的类型和信息，通过这些信息可以确定问题的大致范围。

2.查看训练代码：对照错误提示信息和训练代码，检查可能存在问题的代码段，看看是否有错误或者不合适的地方。

3.检查输入数据：检查训练数据的格式、大小、维度等信息，是否与网络模型的输入要求一致，是否存在缺失值或异常值等问题。

4.调整网络参数：调整网络的学习率、批大小、迭代次数、网络结构等参数，看看是否可以减少错误的出现。

5.检查硬件环境：检查训练所使用的硬件环境，如GPU、内存、硬盘等是否存在问题，是否有足够的空间存储模型参数。

6.查看其他日志信息：深度学习训练过程中，通常会生成一些日志信息，包括训练损失、准确率等指标的变化情况，可以通过这些日志信息了解训练过程中的变化情况，有助于定位问题所在。

根据错误类型的不同，还可以进一步采取相应的解决方案，比如对于常见的梯度消失或梯度爆炸等问题，可以尝试使用梯度裁剪或者其他优化算法；对于模型过拟合或欠拟合等问题，可以考虑增加或减少模型参数，使用正则化技术等方式。

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7606226
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：TensorFlow学习2：使用自己的数据批量训练网络
• 除此之外, 这篇博客: Tensorflow2.0学习笔记（一）北大曹健老师教学视频1-4讲中的 第一讲 常用函数的使用（包含了很多琐碎的函数，还有第二讲的部分） 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  这里把视频中的给的常用的函数都罗列出来了，我也刚学，以后就没事看这个复习熟悉吧

  import tensorflow as tf
  import numpy as np
  from sklearn.datasets import load_iris
  
  #####################################################################
  import osdd
  # 1.3张量生成
  '''
  Tensor：多维数组  阶：张量的维数
  数字左边的[ 有几个就是几阶
  0-D 0阶 标量  s=1 2 3
  1-D 1阶 向量   v=[1,2,3]
  2-D 2阶 矩阵  m = [[1,2,3],[4,5,6],[7,8,9]]
  
  
  数据类型
  tf.int 32,tf.float 32,tf.float 64
  
  tf.bool
  tf.constan([True,False])
  
  tf.string
  
  '''
  a = tf.constant([1,5],dtype=tf.int64) # 张量内容，dtype=数据类型
  
  
  # numpy的数据类型转换为Tensor数据类型
  a = np.arange(0,5)
  b = tf.convert_to_tensor(a,dtype=tf.int64) #数据名，dtype=
  
  #  特殊创建方法
  
  dim = 5 # dim为维度
  c = tf.zeros(dim) # 创建全为0
  d = tf.ones(dim) # 创建维度为dim的全为1的张量
  e = tf.fill(dim,4) # 创建维度为dim的全为指定数目（这里为4）的张量
  f = tf.random.normal(dim,mean=2,stddev=1) # 生成dim维，均值为2，标准差为1的整天分布随机数
  g = tf.random.truncated_normal(dim,mean=2,stddev=1) # 生成截断式正态分布随机数，该函数保证生成数据在（±均值-2*标准差之外）就重新生成，保证生成值在均值附近
  h = tf.random.uniform(dim,minval=0,maxval=1) # 生成均匀分布的随机数
  #####################################################################
  # 1.4常用函数
  
  a = tf.constant([1.,2.,3.],dtype=tf.float64)
  print(a)
  a1 = tf.cast(a,tf.int32) # 强制tensor转换为该数据类型
  print(a1)
  a2 = tf.reduce_max(a1) # 计算张量维度上元素的最大值
  a3 = tf.reduce_min(a1) # 计算张量维度上元素的最小值
  
  
  # 取平均值
  # axis ,在二维张量或数组中，axis=0表示跨行，axis=1表示跨列
  a4 = tf.reduce_mean(a1,axis=0)
  a5 = tf.reduce_mean(a1)
  a6 = tf.reduce_sum(a1,axis=0)
  a7 = tf.reduce_sum(a1)
  
  
  # 把内部初始化变量标记为可训练，被标记的变量会再反向传播中记录梯度信息，神经网络训练中，
  # 常用该函数标记待训练参数
  w = tf.Variable(a1)
  
  ######################################################
  #TensorFlow中的数学运算
  '''
  tf.add tf.subtract tf.multiply tf.divide 为对应元素的四则运算
  tf.square tf.pow tf.sqrt 为平方 次方 开发操作
  矩阵乘 tf.matmul
  
  要保证俩个操作的维度相同
  '''
  a = tf.ones([1,3])
  b = tf.fill([1,3],3.)
  print(a)
  print(b)
  print(tf.add(a,b))
  print(tf.subtract(a,b))
  print(tf.multiply(a,b))
  print(tf.divide(b,a))
  print(tf.fill([1,2],3.))
  print(tf.pow(a,3))
  print(tf.square(a))
  print(tf.sqrt(a))
  
  a = tf.ones([3,2])
  b = tf.fill([2,3],3.)
  print(tf.matmul(a,b))
  
  #########################################
  # 吧标签和特征配对的函数
  train_data = tf.constant([12,23,10,17])
  train_label = tf.constant([0,1,1,0])
  # 下面的函数就是把元组形式输入的特征，标签配对，对numpy或tensor格式都适用
  data = tf.data.Dataset.from_tensor_slices((train_data,train_label))
  
  ########################################################
  # 1.5 常用函数
  
  '''
  这个函数来记录计算过程
  with tf.GradientTape() as tape:
      若干个计算过程
  grad = tape.gradient(函数，对谁求导)
  
  '''
  with tf.GradientTape() as tape:
      w = tf.Variable(tf.constant(3.0))
      loss = tf.pow(w,2)
  grad = tape.gradient(loss,w)
  print(grad)
  
  
  # python内建函数enumerate   可以遍历每个元素，组合为 索引  元素
  seq = ['one','two','three']
  for i,element in enumerate(seq):
      print(i,element)
  # 独热编码 常用这个做标签 1表是，0表非，
  classes = 3 # 结果为3类
  labels = tf.constant([1,0,2]) # 输入的元素最小0，最大为2
  output = tf.one_hot(labels,depth=classes)
  
  print(output)
  
  # tf.nn.softmax函数，如命，就是吧n分类的n个输出通过softmax符合概率分布
  
  y = tf.constant([1.01,2.01,-0.66])
  y_pro = tf.nn.softmax(y)
  print("After softmax,y_pro is ",y_pro)
  
  # assign_sub 赋值操作，更新参数的值并返回；更新前先定义变量为可训练
  w = tf.Variable(4)
  w.assign_sub(1) # 相当于w = w-1
  print(w)
  
  # tf.armax 返回张量沿指定维度最大值的索引
  test = np.array([[1,2,3],[4,5,6],[7,8,9]])
  print(test)
  # 分别返回每列、行最大值的索引 若不指定就返回全部的最大值的索引
  
  print(tf.argmax(test,axis=0))
  print(tf.argmax(test,axis=1))
  #########################################################
  # 2.1 预备知识
  
  # tf.where(条件语句，真返回A，假返回B）
  
  a = tf.constant([1,2,3,1,1])
  b = tf.constant([0,1,3,4,5])
  c = tf.where(tf.greater(a,b),a,b) # 若a>b 返回a对应位置的元素，不然返回b对应位置 元素
  print("c:",c)
  
  
  # np.random.RandomState.rand()  返回一个[0,1)之间的随机数
  
  rdm = np.random.RandomState(seed=1) # seed=常数每次生成随机数相同
  a = ram.rand() # 返回一个随机标量
  b = rdm.rand(2,3) # 返回维度为2行3列随机数矩阵
  print("a:",a)
  print("b:",b)
  
  
  # np.vstack()  将俩个数组按垂直方向叠加
  
  a = np.array([1,2,3])
  b = np.array([4,5,6])
  c = np.vstack((a,b))
  print("c:\n",c)
  
  '''
  np.mgrid[] .ravel() .c_[]  总在一起使用，去生成网格
  # np.mgrid[起始值：结束值：步长，起始值：结束值：步长，。。。]
  x.ravel()  吧x变为一维数组，把。前变量拉直
  np.c_[]使返回的间隔数值点配对
  np.c_[数组1，数组2....]
  '''
  x,y = np.mgrid[1:3:1,2:4:0.5]
  grid = np.c_[x.ravel(),y.ravel()]
  print("x:",x)
  print("y:",y)
  print('grid:\n',grid)
  
  
  

• 您还可以看一下 王而川老师的TensorFlow实战演练--泰坦尼克号视频教学课程中的 模型加载与训练小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^