训练CNN模型后提取特征报错：层未被调用无定义输入

方案1：给目标特征层添加命名（推荐） #

在构建CNN模型时，为Dense(256)层指定明确名称，避免后续因层索引变动导致的错误：

修改build_trainable_cnn函数中的对应代码段：

# Flatten layer to get 1D feature vector
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu', name='cnn_feature_layer'))  # 添加唯一名称
model.add(layers.Dropout(0.05))

训练完成后，通过层名称构建特征提取器：

# 基于命名层构建特征提取器
feature_extractor = models.Model(
    inputs=model_mfcc.input,
    outputs=model_mfcc.get_layer('cnn_feature_layer').output
)
feature_extractor.save("cnn_feature_extractor_mfcc.h5")

方案2：先验证模型推理状态 #

确保训练后的模型能正常处理输入，强制完成输入输出绑定：

# 先执行一次推理，确认模型状态正常
_ = model_mfcc.predict(mfcc_data[:1])

# 再构建特征提取器
feature_extractor = models.Model(
    inputs=model_mfcc.input,
    outputs=model_mfcc.layers[-3].output
)
# 测试特征提取
sample_features = feature_extractor.predict(mfcc_data[:1])
print(f"提取的特征形状：{sample_features.shape}")
feature_extractor.save("cnn_feature_extractor_mfcc.h5")

方案3：手动绑定模型输入（针对极端情况） #

如果前两种方法无效，直接手动为模型设置输入张量：

# 手动设置模型输入形状
model_mfcc._set_inputs(np.zeros((1, 500, 13)))

# 构建并保存特征提取器
feature_extractor = models.Model(
    inputs=model_mfcc.input,
    outputs=model_mfcc.layers[-3].output
)
feature_extractor.save("cnn_feature_extractor_mfcc.h5")

错误根源 #

报错ValueError: The layer sequential_4 has never been called and thus has no defined input的核心是：TensorFlow未完成模型输入张量的绑定。即使调用了build方法，若模型未实际处理过输入（或训练过程中状态异常），model.input仍可能处于未初始化状态。通过命名层规避索引风险、执行推理强制绑定输入，都能解决该问题。

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