当我多次运行模型时，CNN的model.evaluate()方法的准确率超过了100%。如何分隔每个model.fit()实例？

当多次运行模型时，CNN的model.evaluate()方法的准确率超过100%，这可能是由于以下原因之一导致的：

1. 数据重复使用：在模型训练过程中，如果使用了相同的数据集进行多次训练，可能会导致模型在评估时出现准确率超过100%的情况。这是因为模型已经对这些数据进行了多次训练，因此在评估时会出现过拟合的情况。
2. 数据泄露：在模型训练和评估过程中，如果将测试集的数据用于训练或验证，会导致模型在评估时出现准确率超过100%的情况。应该确保训练集、验证集和测试集之间没有重复或交叉使用。

为了避免出现这样的问题，可以采取以下措施：

1. 数据集划分：在开始模型训练之前，应将数据集划分为训练集、验证集和测试集。通常可以采用70%的数据作为训练集，15%的数据作为验证集，15%的数据作为测试集。
2. 数据集随机化：在进行数据集划分时，应该确保对数据集进行随机化，以避免数据的顺序对模型训练和评估结果造成影响。
3. 交叉验证：除了将数据集划分为训练集、验证集和测试集之外，还可以采用交叉验证的方法进行模型评估。交叉验证可以更全面地评估模型的性能，并减少因数据集划分的不一致性导致的评估结果差异。
4. 监控训练过程：在训练模型时，可以使用回调函数来监控模型的训练过程，包括训练误差和验证误差的变化趋势。通过观察这些指标的变化，可以及时发现模型训练中的问题，并采取相应的措施进行调整。

关于如何分隔每个model.fit()实例，可以采取以下方法：

1. 使用不同的数据集：在每个model.fit()实例之间，可以使用不同的训练集和验证集，以确保模型在不同的训练实例中得到不同的数据。
2. 重置模型参数：在每个model.fit()实例之间，可以使用model.reset_parameters()方法来重置模型的参数，以避免模型在不同实例之间保留之前训练的参数。
3. 使用不同的模型实例：在每个model.fit()实例之间，可以使用不同的模型实例，即创建一个新的模型对象，并使用该对象进行下一个实例的训练。

需要注意的是，以上方法仅为一般的解决方案，具体的实施方法可能会根据具体的问题和需求而有所不同。在实际应用中，还需要根据具体情况进行调整和优化。