JupyterLab运行MTCNN调用detect_faces()报AbortedError的解决方法

报错根因 #

该报错是TensorFlow内置的OneDNN（原MKL-DNN）深度学习加速库，与MTCNN 0.1.0版本内置检测模型的算子存在兼容性冲突——执行softmax前向传播计算时，无法创建匹配的算子描述符，直接触发进程级中断。

可落地解决方案 #

方案1：关闭OneDNN加速（改动最小，优先尝试） #

在Jupyter Notebook的第一个执行代码块最顶部，在导入所有TensorFlow、MTCNN相关依赖之前，添加环境变量配置，跳过不兼容的MKL算子实现：

import os
# 关闭OneDNN(MKL)优化，配置必须放在所有tensorflow/mtcnn导入语句之前
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'

# 导入业务依赖
from PIL import Image
from numpy import asarray
from mtcnn import MTCNN

# 原有业务逻辑保持不变
filename = "替换为你的图片路径"
image = Image.open(filename)
imageRGB = image.convert('RGB')
pixels = asarray(imageRGB)
detector = MTCNN()
results = detector.detect_faces(pixels)

关键提醒：代码配置完成后，必须重启当前Jupyter关联的Python内核。如果在已经初始化TensorFlow的运行环境中后加这行配置，TensorFlow已经加载完MKL内核，环境变量不会生效。

方案2：安装匹配版本的依赖组合 #

如果关闭OneDNN后仍出现其他兼容问题，可以直接切换到社区验证过的适配版本，从根源消除算子冲突：

• 安装TensorFlow 2.5.0版本：该版本的MKL算子实现与MTCNN 0.1.0的内置模型完全兼容，执行安装命令pip install tensorflow==2.5.0
• 配套安装NumPy 1.19.5版本：避免高版本NumPy与旧版TensorFlow的接口不兼容问题，执行安装命令pip install numpy==1.19.5

常见避坑提示 #

• 不要将关闭OneDNN的环境变量写在MTCNN/TensorFlow的导入语句之后，否则配置完全不生效。
• 不建议使用TensorFlow 2.9及以上版本搭配MTCNN 0.1.0，新版TensorFlow对MKL算子的逻辑做了大幅调整，会持续出现各类算子创建失败的中断报错。

内容的提问来源于stack exchange，提问作者anna_kos