keras建模需分层命名、职责分离、预处理解耦：sequential每层独占一行并显式命名；model类中__init__仅创建层、call仅调用层；预处理移至dataset或lambda层；避免call中动态建层或py_function。
用 tf.keras.Sequential 时，别把层堆成一行
可读性崩塌往往从一行写完所有层开始。比如 model = tf.keras.Sequential([tf.keras.layers.Dense(64), tf.keras.layers.ReLU(), tf.keras.layers.Dropout(0.2), ...]) —— 这种写法连自己三天后都难定位哪层漏了 activation 参数。
实操建议：
- 每层单独一行，显式写出参数名（哪怕默认值）
- 层之间空一行，逻辑分组更清晰
- 如果某层需要定制初始化或正则化，立刻拆出来用变量命名，比如 embedding_layer = tf.keras.layers.Embedding(...)
常见错误：把 tf.keras.layers.ReLU() 当作 Dense 的 activation 参数混用，结果模型里多出一个无参激活层，反而干扰梯度流。
自定义 tf.keras.Model 类，__init__ 和 call 必须严格分工
__init__ 只负责创建层对象，call 只负责调用它们 —— 这不是风格问题，是避免状态泄漏和图构建失败的关键。
实操建议：
- __init__ 中禁止出现 input_shape、build()、self(x) 等运行时行为
- call 中禁止新建层（如 tf.keras.layers.Dense(32)），否则每次前向传播都新建对象，权重不共享
- 复杂分支逻辑（如不同训练/推理路径）用 training 参数控制，别靠 if self.built: 这类状态判断
性能影响：在 call 里动态建层会导致 @tf.function 跟踪失败，回退到 eager 模式，训练变慢且无法导出 SavedModel。
层命名不是可选项，而是调试刚需
没命名的层在 model.summary() 里显示为 dense_1、dropout_3，等模型跑出 InvalidArgumentError: You must feed a value for placeholder 'xxx' 时，根本没法反查是哪一层漏了输入。
实操建议：
- 所有非 trivial 层都加 name 参数，比如 tf.keras.layers.Dense(128, name="encoder_hidden")
- 命名体现角色（"proj"、"mask_applier"）而非序号
- 在 tf.keras.Model 子类中，给关键子模块也命名，比如 self.attention_block = AttentionLayer(name="cross_attention")
兼容性注意：部分旧版 TF 工具链（如某些 TFLite 转换器）对含特殊字符的 name 报错，只用小写字母、数字、下划线。
避免在模型定义里混入数据预处理逻辑
把 tf.image.resize 或 tf.strings.split 写进 call，看似“端到端”，实则让模型无法复用、难以测试、导出后输入格式受限。
实操建议：
- 预处理统一抽到 tf.data.Dataset.map() 或独立函数中
- 模型输入类型必须明确（tf.float32、shape=(None, 224, 224, 3)），不接受字符串或未归一化整数
- 若必须嵌入预处理（如量化感知训练中的 fake quant），用 tf.keras.layers.Lambda 包裹，并加注释说明用途
容易踩的坑：在 call 里调用 tf.py_function —— 它无法被 @tf.function 跟踪，导出时直接报错 Function not supported in graph mode。
真正难的不是写清楚每行代码，而是让下一个人（包括两周后的你）一眼看出数据从哪儿来、状态在哪儿变、哪部分能安全删掉。命名、分层、分工，都是为这个服务的。
