Keras搭建自编码器报'Sequential'无'_nested_inputs'属性错误求解

• 该报错本质是不同版本Keras（或TensorFlow内置的tf.keras）的Sequential模型属性调用逻辑差异导致，你使用的encoder.input/encoder.output写法在部分旧版本tf.keras中，当Sequential模型没有经过实际前向传播、未生成完整计算图节点时，无法正确读取输入输出属性。

按实现成本从低到高排序，优先尝试靠前的方案即可：

方案1：直接用Sequential拼接组合（最稳妥） #

不用Functional API的Model写法，直接把两个Sequential模型串成新的Sequential即可，代码如下：

autoencoder = Sequential([
    encoder,
    decoder
])
autoencoder.compile(loss='mse', optimizer='adam')

方案2：显式定义Input层用Functional API组装 #

如果一定要用Functional API的写法，避开直接调用Sequential的input/output属性即可：

from tensorflow.keras.layers import Input
from tensorflow.keras.models import Model

# 显式定义输入层
input_layer = Input(shape=(input_dim,))
encoded = encoder(input_layer)
decoded = decoder(encoded)
# 组装模型
autoencoder = Model(inputs=input_layer, outputs=decoded)
autoencoder.compile(loss='mse', optimizer='adam')

方案3：强制生成计算图节点适配原有写法 #

如果不想修改原有组装逻辑，先给encoder跑一次dummy前向传播，强制生成计算图节点后再调用属性即可：

import numpy as np
# 构造和输入维度匹配的测试数据跑一次前向传播
dummy_input = np.random.random((1, input_dim))
_ = encoder(dummy_input)
# 再执行原代码就不会报错
autoencoder = Model(inputs=encoder.input, outputs=decoder(encoder.output))
autoencoder.compile(loss='mse', optimizer='adam')

• 不要混用独立安装的Keras包和TensorFlow内置的tf.keras，所有层、模型的导入都统一从tf.keras路径下导入，避免API不兼容
• 如果你使用的是TensorFlow 2.4及以上版本，优先用第一种方案直接拼接Sequential，代码最简洁也不会触发属性问题

内容的提问来源于stack exchange，提问作者Pythoner