Keras中使用K.random_normal创建输入报错：Duplicate node name in graph

你碰到的这个ValueError: Duplicate node name in graph: 'random_normal/shape'是TF2.x特有的问题，核心原因是TF2.x对静态图里的节点命名要求更严格，不允许重复的节点名，而TF1.x会自动给重复的节点名加后缀（比如random_normal/shape_1）来避免冲突，所以旧环境下没问题。

你的代码里连续两次调用K.random_normal生成eps1和eps2的tensor参数，默认情况下这两个随机节点的自动生成名称会重复，触发了命名冲突。这里有几个可行的解决办法：

方法1：给每个随机节点指定唯一名称 #

直接在K.random_normal里通过name参数手动指定不同的名字，让每个节点的标识唯一：

eps1 = Input(tensor=K.random_normal(stddev=1.0, shape=(K.shape(x)[0], latent_dim), name='eps1_random_normal'))
eps2 = Input(tensor=K.random_normal(stddev=1.0, shape=(K.shape(x)[0], latent_dim), name='eps2_random_normal'))

这种方法最简单，直接解决命名冲突问题，不需要改动太多原有代码结构。

方法2：改用Lambda层生成噪声（更符合Keras最佳实践） #

其实在Keras里，更推荐用Lambda层来动态生成这类依赖输入batch size的噪声，而不是直接用Input(tensor=...)。这样每个Lambda层有自己的命名空间，天然避免节点名重复：

def generate_noise(inputs):
    # 从输入中获取batch size，保证噪声维度和输入匹配
    batch_size = K.shape(inputs)[0]
    return K.random_normal(stddev=1.0, shape=(batch_size, latent_dim))

# 分别生成两个噪声张量，给Lambda层指定不同名字
eps1 = Lambda(generate_noise, name='eps1_generator')(x)
eps2 = Lambda(generate_noise, name='eps2_generator')(x)

这种方式不需要额外管理节点名称，而且逻辑更清晰，后续维护也更方便。

方法3：封装采样逻辑（如果是VAE场景） #

看起来你大概率是在构建变分自编码器（VAE）这类需要从潜在空间采样的模型，这种情况下可以把采样逻辑直接封装成一个Lambda层，需要多个采样时就创建多个独立的Lambda层：

def sampling(args):
    z_mean, z_log_var = args
    batch_size = K.shape(z_mean)[0]
    # 给每个采样里的噪声指定唯一名字
    epsilon = K.random_normal(shape=(batch_size, latent_dim), name='sampling_epsilon_1')
    return z_mean + K.exp(0.5 * z_log_var) * epsilon

def sampling_2(args):
    z_mean, z_log_var = args
    batch_size = K.shape(z_mean)[0]
    epsilon = K.random_normal(shape=(batch_size, latent_dim), name='sampling_epsilon_2')
    return z_mean + K.exp(0.5 * z_log_var) * epsilon

# 假设你已经得到了z_mean和z_log_var层
z1 = Lambda(sampling, name='z_sampling_1')([z_mean, z_log_var])
z2 = Lambda(sampling_2, name='z_sampling_2')([z_mean, z_log_var])

这种方式更贴合VAE的标准实现，也彻底避免了节点命名冲突的问题。

内容的提问来源于stack exchange，提问作者Dan Leonte