拼接两个神经网络触发ValueError：无定义输出问题求助

问题重现 #

尝试拼接两个Sequential神经网络时触发如下ValueError：

ValueError: The layer sequential has never been called and thus has no defined output.

同时构建第一个网络时收到警告：

UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.

“无定义输出”的含义 #

Keras的Sequential模型基于计算图运行：

• 只有当模型接收过输入数据执行前向传播，或者通过显式Input层定义输入形状并完成计算图构建后，模型的output属性才会被初始化，包含输出张量的形状、数据类型等关键信息。
• 编译模型（compile()）仅用于配置训练参数（损失函数、优化器等），不会触发模型的前向传播计算，因此无法解决“无定义输出”问题。

修复方案 #

1. 修正输入维度语法错误 #

原代码中network_2的input_dim参数为空，属于语法错误，需设置为与network_1一致的输入维度（即数据集特征数X_train.shape[1]）。

2. 用Input层替代input_dim参数（解决警告+显式构建模型） #

按照Keras官方建议，Sequential模型的第一层使用Input层定义输入形状，模型会直接构建计算图，无需等待输入数据触发前向传播，就能确定output属性。

3. 可选：手动触发模型构建 #

若坚持使用input_dim，可通过传入单条样本数据调用模型，手动触发计算图构建，例如执行network_1(X_train[:1])。

修正后的完整代码 #

import tensorflow as tf
import numpy as np

from sklearn.model_selection import train_test_split

from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Dense, Input, concatenate
from tensorflow.keras.utils import plot_model
from tensorflow.keras.optimizers import Adam
from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error

from sklearn.datasets import fetch_california_housing
housing = fetch_california_housing()
print(housing['feature_names'])

X = housing['data']
y = housing['target']

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7, random_state=42)

# Network 1：用Input层定义输入，解决警告并显式构建模型
network_1 = Sequential([
    Input(shape=(X_train.shape[1],)),
    Dense(units=4, activation='relu'),
    Dense(units=4, activation='relu'),
    Dense(units=4, activation='relu'),
    Dense(units=4, activation='relu')
])

# Network 2：修正input_dim错误，同样用Input层
network_2 = Sequential([
    Input(shape=(X_train.shape[1],)),
    Dense(units=16, activation='relu'),
    Dense(units=16, activation='relu')
])

# 正常拼接输出
combinedInput = concatenate([network_1.output, network_2.output])

# 构建完整联合模型示例
combined_model = Model(inputs=[network_1.input, network_2.input], outputs=combinedInput)
combined_model.add(Dense(1))
combined_model.compile(loss='mean_squared_error', optimizer=Adam(), metrics=['mean_squared_error'])

内容的提问来源于stack exchange，提问作者Aftab Ibn Nazim