Keras Sequential模型取中间层输出报tf.keras.Input相关ValueError怎么解决

报错根因 #

该错误出现在TensorFlow 2.x版本中，原因是K.function要求输入张量必须来自tf.keras.Input节点，而你构造模型时是给第一层Dense传input_dim参数隐式指定输入维度，没有显式定义Input层，导致model.layers[0].input没有完整的元数据，被识别为无效输入。

排查步骤 #

• 确认TensorFlow版本，该报错仅出现在2.x版本，1.x的旧写法在2.x下不兼容
• 检查模型输入定义：只要没有显式加Input层，直接用input_dim/input_shape参数定义输入的Sequential模型都会触发该问题

解决办法 #

方案1：显式添加Input层（修改成本最低） #

调整Sequential模型的第一层为显式Input层，后续代码不需要大幅改动：

model = Sequential([
                Input(shape=(X_train.shape[1],)), # 替换原第一层的input_dim参数
                Dense(64),
                Dense(64),
                Dense(32),
                Dense(32),
                Dense(16),
                Dense(1, activation='sigmoid') ])

# 这里直接用model.input更稳妥，避免层索引取错
getFeature = K.function([model.input, K.learning_phase()],
                    [model.layers[4].output])

方案2：用子模型替代K.function（2.x官方推荐写法） #

不需要调用后端接口，兼容性更好，后续调用也更方便：

# 直接构造输入到第5层（索引4）输出的子模型
feature_extractor = tf.keras.Model(inputs=model.input, outputs=model.layers[4].output)

# 调用时直接传数据，training参数对应原来的K.learning_phase，False为推理模式
features = feature_extractor(your_input_data, training=False)

方案3：不改动模型定义的临时解决办法 #

模型定义完之后先跑一次前向传播补全元数据，再调用K.function即可：

# 构造同维度的假数据触发模型build，补全张量元数据
_ = model(tf.random.normal((1, X_train.shape[1])))

# 再运行你原来的K.function代码就不会报错
getFeature = K.function([model.layers[0].input, K.learning_phase()],
                    [model.layers[4].output])

内容的提问来源于stack exchange，提问作者Palak Gupta