哈哈，这个坑我踩过！用scikit-optimize调参Keras的GRU/LSTM模型时，第一次跑没问题，后面迭代直接报错，本质是TensorFlow的计算图没清理干净，旧模型的节点和新模型撞车了。下面给你几个亲测有效的解决办法：

1. 每次迭代后强制清理Keras会话与计算图 #

在每次模型训练、评估完成后，一定要手动清除残留的计算图和会话，避免旧模型的变量干扰新模型。添加这段代码到你的迭代逻辑末尾：

from keras import backend as K
import tensorflow as tf

# 清理Keras会话
K.clear_session()
# 重置TensorFlow默认计算图（TF2.x可选择性添加，兼容旧代码更稳妥）
tf.compat.v1.reset_default_graph()

2. 把模型构建逻辑完全放在调参目标函数内部 #

千万别在目标函数外面定义模型结构！要确保每次迭代都从零开始创建全新的模型实例，比如：

def bayesian_optimization_objective(params):
    # 每次迭代都在这里重新构建GRU/LSTM模型
    model = Sequential()
    model.add(GRU(params['gru_units'], input_shape=(your_timesteps, your_features)))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer='adam', loss='binary_crossentropy')
    
    # 训练模型（记得关闭verbose避免输出刷屏）
    model.fit(X_train, y_train, epochs=15, batch_size=64, validation_split=0.2, verbose=0)
    
    # 计算验证集损失作为优化目标
    val_loss = model.evaluate(X_val, y_val, verbose=0)
    
    # 清理会话，为下一次迭代做准备
    K.clear_session()
    tf.compat.v1.reset_default_graph()
    
    return val_loss

3. 排查全局变量残留 #

如果你的代码里有全局定义的模型、层或者数据变量，一定要把它们移到目标函数内部，或者确保每次迭代都重新初始化这些变量——全局变量很容易成为迭代时的隐形冲突源。

额外提示 #

如果用的是TensorFlow 2.x版本，K.clear_session()通常就足够清理大部分残留，但加上tf.compat.v1.reset_default_graph()能更好地处理复杂的循环层图结构。另外，确认你的scikit-optimize、Keras和TensorFlow版本互相兼容，版本不匹配也可能触发这类迭代错误。

内容的提问来源于stack exchange，提问作者Flabou