TensorFlow日志消息重复：除REPL临时方案外是否有更佳解决办法？

嘿，我太懂你面对TensorFlow重复日志刷屏的崩溃感了！那个REPL临时hack虽然能用，但确实不够通用，给你分享两个更靠谱、适用于所有环境的解决办法：

方法一：直接操作TensorFlow专属日志器 #

TensorFlow底层基于Python的logging模块运行，我们可以直接定位到它的日志器，关闭其日志传播属性——这才是从根源上解决重复输出的关键：

import tensorflow as tf
import logging

# 获取TensorFlow的根日志器实例
tf_logger = logging.getLogger('tensorflow')
# 关闭日志传播，阻止日志被上层root日志器重复处理
tf_logger.propagate = False

不管你是在脚本里运行，还是在Jupyter这类交互式环境中，这个方法都能稳定生效，而且不会影响其他Python库的日志配置。

方法二：自定义日志处理（兼顾个性化需求） #

如果还想对TensorFlow的日志格式、级别做更精细的控制，可以给它的日志器单独添加处理器，同时关闭传播：

import tensorflow as tf
import logging

tf_logger = logging.getLogger('tensorflow')
tf_logger.propagate = False

# 创建自定义日志处理器，这里以控制台输出为例
handler = logging.StreamHandler()
# 设置只输出INFO及以上级别的日志
handler.setLevel(logging.INFO)
# 自定义日志格式
formatter = logging.Formatter('%(asctime)s | %(name)s | %(levelname)s: %(message)s')
handler.setFormatter(formatter)

# 将处理器添加到TensorFlow日志器
tf_logger.addHandler(handler)

这样不仅能彻底解决重复日志问题，还能让日志输出更符合你的阅读习惯。

至于2015年提到的“很快修复”，显然是跳票了，咱们还是靠自己配置更稳妥。之前的REPL临时hack大多是修改root日志器的处理器，很容易干扰其他库的日志输出，而直接操作TensorFlow的专属日志器，针对性更强，也更规范。

内容的提问来源于stack exchange，提问作者dfrankow