Keras图断开错误：拼接自编码器编解码器层用于LRP时出现报错

你遇到的Graph disconnected报错，是因为直接从原有Autoencoder的子Sequential模型中抽取全连接层拼接新模型时，这些层仍绑定了原模型的输入节点，新的Sequential没有正确重建层与层之间的计算链路，导致计算图断裂。

方案1：递归提取子层（优先推荐，改动最小） #

不需要修改现有Autoencoder的结构，只要调整你获取模型参数的逻辑，递归遍历所有层级即可，不需要将模型转为单层Sequential结构：

def get_all_layers(model):
    layers = []
    for layer in model.layers:
        # 如果当前层是Sequential子模型，继续遍历其内部层
        if isinstance(layer, tf.keras.Sequential):
            layers.extend(get_all_layers(layer))
        else:
            layers.append(layer)
    return layers

将你原有get_model_params函数中获取层列表的逻辑，替换为调用上述get_all_layers函数，就能直接拿到按编码器→解码器顺序排列的6个Dense层，完全符合LRP方法的输入要求，且不会破坏原有模型的计算图，也不需要重新训练权重。

方案2：正确构建单层序列模型 #

如果你确实需要生成一个结构为单层序列的独立模型，用函数式API拼接提取出的层，确保计算链路完整即可：

# 按顺序取出编码器、解码器的所有内部层
all_dense_layers = autoencoder._encoder.layers + autoencoder._decoder.layers
# 用函数式API重建连接
inputs = tf.keras.Input(shape=(input_size,))
x = inputs
for layer in all_dense_layers:
    x = layer(x)
# 生成新模型
flatten_model = tf.keras.Model(inputs=inputs, outputs=x)

该方法生成的flatten_model.layers输出就是6个按顺序排列的Dense层，计算图完整，不会再出现断图报错，同时会完整继承原有自编码器的训练权重。

内容的提问来源于stack exchange，提问作者kenyu kobayashi