修复Keras TypeError：将Sequential转换为Layer嵌入Keras.Model实例

触发该TypeError的核心问题不是keras.Sequential不能嵌套在自定义Model中——实际上Sequential本身就是Layer的子类，支持作为子模块嵌套使用。真正的问题是构建Sequential实例时，直接把layers.Input放在了层列表里：这种写法会让Keras立刻生成一个独立的输入占位符张量，这个张量不属于Layer子类实例，在父Model注册子层时就会被识别为非法传入值，抛出类型错误。

仅需要调整mlp函数的实现，移除层列表内的layers.Input声明，改用Sequential自带的input_shape参数指定输入维度即可，全程只使用Keras原生API，不需要额外做类型转换。另外原代码中mlp函数未定义hidden参数，补全后可避免后续触发NameError。

修复后的可运行代码如下：

from tensorflow import keras
from tensorflow.keras import layers

def mlp(size_in, size_out, hidden=64, act=layers.ReLU):
    return keras.Sequential(
        [
            layers.Dense(hidden, name='layer1'),
            act(),
            layers.Dense(hidden, name='layer2'),
            act(),
            layers.Dense(hidden, name='layer3'),
            act(),
            layers.Dense(size_out, name='layer4')
        ],
        input_shape=(size_in,)  # 输入形状通过Sequential初始化参数指定
    )


class SumNet(keras.Model):
    def __init__(self):
        super(SumNet, self).__init__()
        self.g = mlp(5, 1)
        self.f = mlp(1, 1)

    def call(self, x):
        y_i = self.g(x)[:, :, 0]
        y = keras.backend.sum(y_i, axis=1, keepdims=True) / y_i.shape[1]
        z = self.f(y)
        return z[:, 0]

• 把输入形状配置移到Sequential的初始化参数后，输入张量的创建逻辑会由Sequential内部托管，只会在模型前向传播构建计算图时生成对应节点，不会提前暴露独立占位符给父Model的层注册流程，从根源上避免类型校验报错。
• 修复后的实现完全兼容各类Keras后端，不需要引入第三方工具，也不需要重写自定义Layer类，保留了原有代码的结构逻辑。

内容的提问来源于stack exchange，提问作者Hirek