从Sequential模型提取层构建自编码器时触发未调用输入定义错误

错误原因 #

你遇到的问题是因为Sequential模型的input属性没有被正确初始化——尽管你添加了Input层并完成了训练，但Keras的Sequential内部机制有时不会将model.input与输入层的张量关联起来，导致提取子模型时触发错误。

三种可行解决方法 #

方法1：直接使用输入层的input属性

跳过model.input，直接调用输入层的input属性来构建编码器，这是最快捷的修复方式：

from tensorflow.keras.models import Model

# 用第一层（Input层）的input作为输入，取倒数第二层的输出作为编码器输出
encoder = Model(inputs=model.layers[0].input, outputs=model.layers[-2].output)

方法2：改用函数式API构建原模型

函数式API是Keras中更灵活的模型构建方式，能明确管理输入输出张量，从根源避免这类问题：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Input
from tensorflow.keras.optimizers import Adam

# 定义输入张量
inputs = Input(shape=(X_train_scaled.shape[1],))
# 堆叠隐藏层
x = Dense(128, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
# 输出层
outputs = Dense(1)(x)

# 构建完整模型
model = Model(inputs=inputs, outputs=outputs)

optimiser = Adam(learning_rate=0.001)
model.compile(optimizer=optimiser, loss='mse')

history = model.fit(X_train_scaled, y_train, validation_data=(X_test_scaled, y_test), epochs=100, batch_size=16)

# 此时可直接用model.input构建编码器
encoder = Model(inputs=model.input, outputs=model.layers[-2].output)

方法3：先触发一次模型前向传播

让模型处理一个样本，强制Keras初始化输入张量的关联：

# 用训练集的一个样本做一次前向传播
_ = model.predict(X_train_scaled[:1])

# 再构建编码器
encoder = Model(inputs=model.input, outputs=model.layers[-2].output)

新手建议 #

如果之后需要构建自编码器、多输出模型这类需要提取中间层的结构，优先使用函数式API，它比Sequential更适合处理复杂的模型拓扑，能减少这类隐性的初始化问题。

内容的提问来源于stack exchange，提问作者Randen Sim