错误含义解释 #

这个错误的意思是你创建的Sequential模型（这里是sequential_16）还从未处理过任何输入数据，Keras无法确定它的输入张量的具体结构和形状——简单说就是模型还没“激活”过，输入端口还没真正完成初始化。

为什么那行代码会导致错误 #

你写的这行代码：

model_before_ReLU = Model(inputs=model.input, outputs=model.get_layer('conv').output)

问题出在model.input上：Keras的Sequential模型在没有被调用过（比如没执行过predict/fit，也没显式调用build）的情况下，model.input这个属性只是一个形状定义，并没有真正实例化为有效的输入张量。你直接拿它来创建新的Model时，Keras找不到可绑定的有效输入，就会抛出这个错误。

你虽然在Conv2D层里定义了input_shape，但这只是给Keras一个输入形状的规则，并没有真正让模型和输入张量建立关联——只有当模型实际处理过一次输入，或者显式触发构建后，model.input才会被绑定到一个真实的张量上。

修复方案 #

这里有几种简单有效的修复方法，你可以根据需求选择：

方案1：在创建子模型前，显式构建原模型

在创建model_before_ReLU之前，调用model.build()方法，手动初始化模型的输入结构：

# 在创建model_before_ReLU之前添加这行
model.build(input_shape=(None, 3, 3, 1))  # None表示batch维度可以是任意大小

model_before_ReLU = Model(inputs=model.input, outputs=model.get_layer('conv').output)

方案2：先让原模型运行一次输入数据

在创建子模型前，先用dummy数据调用一次model.predict，让模型实际处理一次输入，自动完成输入张量的初始化：

# 在创建model_before_ReLU之前添加这行
model.predict(np.random.random((1, 3, 3, 1)))  # 用任意符合input_shape的dummy数据

model_before_ReLU = Model(inputs=model.input, outputs=model.get_layer('conv').output)

方案3：改用Functional API从头构建模型（更优雅的长期方案）

如果你本来就需要获取中间层的输出，直接用Keras的Functional API构建模型会更直观，也从根源上避免这类初始化问题：

import numpy as np
import keras
import tensorflow as tf
tf.compat.v1.logging.set_verbosity(tf.compat.v1.logging.ERROR)
from keras.models import Model
from keras.layers import Conv2D, Activation, Input

# Generate dummy data
input_feature = np.random.random((1, 3, 3, 1)) - 0.5

# 用Functional API直接构建所有层的关联
input_tensor = Input(shape=(3, 3, 1))
conv_output = Conv2D(1, (3, 3), padding='same', strides=1, name='conv')(input_tensor)
relu_output = Activation('relu')(conv_output)

# 定义完整模型和中间层模型
model = Model(inputs=input_tensor, outputs=relu_output)
model_before_ReLU = Model(inputs=input_tensor, outputs=conv_output)

# 后续的预测和打印逻辑不变
output_feature = model_before_ReLU.predict(input_feature)
output_ReLu_feature = model.predict(input_feature)

print('Output Network without activation function')
print(output_feature)

print('')
print('Output Network after ReLU activation function')
print(output_ReLu_feature)

这种方式从一开始就显式定义了输入张量，所有层的输入输出关系都是明确绑定的，不会出现“未定义输入”的问题。

备注：内容来源于stack exchange，提问作者ss123