Python tensorflow训练，每个历元两次

我已经编写了一个自定义TF模型（tensorflow 2.3.1），并正在使用

.fit

方法对其进行训练。当我称之为fit时，尽管该模型似乎每个历元训练两次。这很奇怪。更奇怪的是，它只发生在我使用组织超级计算机时，而不会发生在我的本地计算机上

以下是我的模型的代码：

class-lstmodel（tf.keras.Model）：
def uuu init uuuu（自身、隐藏大小、梯度校正=False、lamb=1）：
"""
：param hidden_size:[int]隐藏单位的数量
"""
super（）。\uuuu init\uuuuu（）
自梯度校正=梯度校正
self.lamb=羔羊
self.lstm\u layer=layers.lstm（隐藏大小，返回序列=True，
name='lstm_shared'）
self.densite\u main=layers.densite（1，name='densite\u main'）
self.densite\u aux=layers.densite（1，name='densite\u aux'）
@功能
def呼叫（自我，输入，**kwargs）：
x=self.lstm_层（输入）
干管预测=自密实干管（x）
aux_预测=自密_aux（x）
返回tf.concat（[主预测，辅助预测]，轴=2）
@功能
def系列步骤（自身、数据）：
x、 y=数据
#如果我在开始梯度带之前不向前传球，
#事情悬而未决
_=self（x）
使用tf.GradientTape（persistent=True）作为磁带：
y_pred=自我（x，训练=正确）#向前传球
损失=rmse屏蔽一个变量（y，y\U pred，0）
损失=rmse屏蔽一个变量（y，y，1）
可训练变量=自可训练变量
主变量=获取变量（可训练变量，“密集变量”）
aux\u out\u vars=获取变量（可训练变量，“密集变量”）
共享变量=获取变量（可训练变量，“lstm共享”）
#获取渐变
gradient\u main\u out=磁带。渐变（丢失\u main，主\u out\u vars）
gradient\u aux\u out=磁带。梯度（损耗、辅助输出变量）
gradient\u shared\u main=磁带.梯度（丢失\u main，共享\u vars）
gradient\u shared\u aux=磁带.梯度（丢失\u aux，共享\u vars）
如果自校正：
#调整辅助梯度
gradient_shared_aux=调整_gradient_列表（gradient_shared_main，
渐变（共享）
组合梯度=组合梯度列表（梯度共享主、，
梯度(共享)(辅助),，
羔羊（self.lamb）
#应用渐变
self.optimizer.apply_渐变（zip（渐变、主渐变、主渐变）
self.optimizer.apply_梯度（zip（梯度、辅助变量））
self.optimizer.apply_梯度（zip（组合的_梯度，共享的_变量））
返回{'loss_main'：loss_main，'loss_aux'：loss_aux}

这是我执行

.fit（）

时的输出：

你知道为什么每个时代训练两次吗

Epoch 1/10
Epoch 1/10
24/24 [==============================] - 2s 86ms/step - loss_main: 0.6247 - loss_aux: 0.2181
24/24 [==============================] - 2s 87ms/step - loss_main: 0.6202 - loss_aux: 0.2128
Epoch 2/10
Epoch 2/10
24/24 [==============================] - 2s 85ms/step - loss_main: 0.6286 - loss_aux: 0.2115
24/24 [==============================] - 2s 86ms/step - loss_main: 0.6286 - loss_aux: 0.2175
Epoch 3/10
Epoch 3/10
24/24 [==============================] - 2s 86ms/step - loss_main: 0.6352 - loss_aux: 0.2080
24/24 [==============================] - 2s 86ms/step - loss_main: 0.6344 - loss_aux: 0.2137
Epoch 4/10
Epoch 4/10
24/24 [==============================] - 2s 85ms/step - loss_main: 0.6373 - loss_aux: 0.2057
24/24 [==============================] - 2s 85ms/step - loss_main: 0.6314 - loss_aux: 0.2095
Epoch 5/10
Epoch 5/10
24/24 [==============================] - 2s 83ms/step - loss_main: 0.6382 - loss_aux: 0.2023
24/24 [==============================] - 2s 84ms/step - loss_main: 0.6373 - loss_aux: 0.2059