如何解决Keras构建MLP分类模型时的未构建报错问题？

你遇到的错误是因为模型未明确输入数据的形状，且缺少了需求中900节点的输入层定义。Keras的Sequential模型必须知道输入维度才能完成网络结构的构建，否则无法生成参数并调用model.summary()。

根据你的需求（900节点输入层、2个100节点隐藏层、2节点输出层），可以通过以下两种方式修复：

方式1：显式添加Input层 #

from keras.models import Sequential
from keras.layers import Input, Dense
from keras.optimizers import Adam

model = Sequential()
# 定义900节点的输入层
model.add(Input(shape=(900,)))
# 第一个隐藏层（100节点）
model.add(Dense(units=100, activation='sigmoid'))
# 第二个隐藏层（100节点）
model.add(Dense(units=100, activation='sigmoid'))
# 输出层（2节点）
model.add(Dense(units=2, activation='sigmoid'))

opt = Adam(learning_rate=0.001)
model.compile(loss='binary_crossentropy', optimizer=opt, metrics=['accuracy'])
print(model.summary())

方式2：在第一个Dense层指定input_shape参数 #

这种方式可将第一个Dense层同时作为900节点的输入层：

from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

model = Sequential()
# 定义900节点的输入层，同时指定输入形状
model.add(Dense(units=900, input_shape=(900,), activation='sigmoid'))
# 第一个隐藏层（100节点）
model.add(Dense(units=100, activation='sigmoid'))
# 第二个隐藏层（100节点）
model.add(Dense(units=100, activation='sigmoid'))
# 输出层（2节点）
model.add(Dense(units=2, activation='sigmoid'))

opt = Adam(learning_rate=0.001)
model.compile(loss='binary_crossentropy', optimizer=opt, metrics=['accuracy'])
print(model.summary())

额外说明：如果你的任务是互斥类别的二分类，也可以考虑将输出层激活改为softmax，损失函数改为categorical_crossentropy，具体取决于你的标签格式和任务需求。

内容的提问来源于stack exchange，提问作者Andryan