这个问题我之前在做多GPU GAN训练的时候也碰到过！根源在于multi_gpu_model在复制模型到多个GPU时，会创建模型的完全副本，但你的判别器被硬编码了固定名称"Discriminator"，导致多个副本的层名重复，触发了Keras的唯一名称校验。

下面给你两个可行的解决方案，推荐第二个更现代的方式：

方案一：修改判别器定义，避免固定名称冲突 #

不管你是用函数式API、Sequential还是自定义Model类，只要让判别器的名称可以动态生成或自定义，就能避免重复：

函数式API/Sequential示例：

# 给判别器构建函数加一个可选的name参数
def build_discriminator(disc_name=None):
    # 用函数式API构建判别器
    inputs = Input(shape=(your_input_shape,))
    x = Dense(128, activation='relu')(inputs)
    outputs = Dense(1, activation='sigmoid')(x)
    # 如果不传name，Keras会自动生成唯一名称（比如Discriminator、Discriminator_1）
    model = Model(inputs=inputs, outputs=outputs, name=disc_name)
    return model

# 创建判别器实例，不用手动指定name也可以
discriminator = build_discriminator()

自定义Model类示例：

class Discriminator(tf.keras.Model):
    def __init__(self, name="Discriminator"):
        super().__init__(name=name)
        self.dense1 = Dense(128, activation='relu')
        self.dense2 = Dense(1, activation='sigmoid')
    
    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

# 实例化时可以指定不同名称，或者让Keras自动生成唯一名称
discriminator = Discriminator()

这样当multi_gpu_model复制模型时，每个GPU上的判别器副本会自动获得唯一的名称，不会再出现重复冲突。

方案二：改用TensorFlow官方推荐的MirroredStrategy（更推荐） #

multi_gpu_model其实是Keras的旧API，在TensorFlow 2.x中已经被标记为过时了。官方现在推荐用分布式策略来实现多GPU训练，不仅能解决层名冲突问题，还能获得更好的性能和兼容性：

import tensorflow as tf

# 初始化多GPU镜像策略，自动检测可用GPU
strategy = tf.distribute.MirroredStrategy()
print(f"当前使用 {strategy.num_replicas_in_sync} 个GPU训练")

# 所有模型构建、编译的代码都要放在strategy.scope()范围内
with strategy.scope():
    # 构建生成器
    def build_generator():
        inputs = Input(shape=(latent_dim,))
        x = Dense(128, activation='relu')(inputs)
        outputs = Dense(your_output_shape, activation='tanh')(x)
        return Model(inputs, outputs)
    
    # 构建判别器（这里不用特意处理名称，TensorFlow会自动搞定）
    def build_discriminator():
        inputs = Input(shape=(your_output_shape,))
        x = Dense(128, activation='relu')(inputs)
        outputs = Dense(1, activation='sigmoid')(x)
        return Model(inputs, outputs)
    
    generator = build_generator()
    discriminator = build_discriminator()
    
    # 构建GAN组合模型
    z = Input(shape=(latent_dim,))
    img = generator(z)
    discriminator.trainable = False
    valid = discriminator(img)
    combined = Model(z, valid)
    
    # 编译模型
    discriminator.compile(loss='binary_crossentropy', optimizer='adam')
    combined.compile(loss='binary_crossentropy', optimizer='adam')

# 后续的训练代码和你CPU版本的完全一致，策略会自动处理多GPU的分配和同步

这种方式不需要你手动处理任何层名问题，TensorFlow会自动管理模型在多GPU上的复制，确保所有层名称唯一，训练过程也更稳定。

内容的提问来源于stack exchange，提问作者alpaca