使用Keras Sequential API构建含Embedding层的SimpleRNN模型遇异常

问题原因 #

你遇到的问题本质是Sequential模型未完成构建（unbuilt）：

• 使用Functional API时，Input(shape=(100,))直接定义了输入维度，后续每一层都会基于前一层的输出形状自动计算自身参数，模型初始化后就完成了构建，所以summary()能正常显示输出形状和可训练参数。
• 而Sequential模型通过列表传入层初始化时，Keras不会自动触发模型构建——虽然Embedding层指定了input_length=100，但这个参数只是层的配置，没有直接传递给模型作为整体输入形状的约束，导致模型处于未初始化状态，无法计算参数和输出形状。

解决方法 #

有三种简单的方式可以触发Sequential模型的构建：

方法1：显式调用build()指定输入形状

在compile()前添加model.build()，明确告诉模型输入的形状（第一个维度是批量大小，设为None表示支持可变批量）：

from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense

model = Sequential([
    Embedding(input_dim=10000, output_dim=50, input_length=100),
    SimpleRNN(32),
    Dense(1, activation='sigmoid')
])

# 显式构建模型，指定输入形状
model.build(input_shape=(None, 100))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

方法2：用一批测试数据触发构建

传入任意符合输入形状的张量（比如全零张量）调用模型，会自动触发构建：

import numpy as np
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense

model = Sequential([
    Embedding(input_dim=10000, output_dim=50, input_length=100),
    SimpleRNN(32),
    Dense(1, activation='sigmoid')
])

# 用一批测试数据触发模型构建
model.predict(np.zeros((1, 100)))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

方法3：改用add()方法逐层添加层

逐层添加层时，若第一层指定了input_shape或input_length，Keras会自动推断模型输入形状并完成构建：

from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense

model = Sequential()
model.add(Embedding(input_dim=10000, output_dim=50, input_length=100))
model.add(SimpleRNN(32))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

验证效果 #

采用上述任意一种方法后，model.summary()会输出和Functional API一致的结果：

• 各层输出形状会正确显示（比如(None, 50)、(None, 32)、(None, 1)）
• 可训练参数会正确计算（Embedding层500000 + SimpleRNN层2624 + Dense层33，总计502657）

内容的提问来源于stack exchange，提问作者Arjun Kumar