必须继承tf.keras.layers.Layer，否则TensorFlow不识别为合法层；需在build中用add_weight创建权重，在call中执行计算，并显式支持training/mask等参数以确保兼容性。
自定义 Layer 必须继承 tf.keras.layers.Layer
不继承这个基类，哪怕名字叫 “MyLayer”，TensorFlow 也不会识别为合法层——模型构建时会报 TypeError: Layer is not callable 或在 model.build() 阶段失败。继承后，你才拥有 build()、call() 等关键生命周期方法。
常见错误是直接写一个普通类 + __call__ 方法，这无法被 Keras 正确追踪权重、无法参与 checkpoint 保存、也无法和 tf.function 兼容。
实操建议：
- 始终以
class MyCustomLayer(tf.keras.layers.Layer):开头 - 如果需要可训练参数，必须在
build(self, input_shape)中用self.add_weight()创建，不能在__init__里直接赋值np.array或tf.Variable -
input_shape是一个TensorShape对象（如(None, 128)），注意索引取法：用input_shape[-1]拿特征维，别用input_shape[1]假设 batch 维总存在
build() 和 call() 的分工必须清晰
build() 只负责“定义参数”，不执行计算；call() 负责“实际运算”，接收张量输入并返回张量输出。混淆二者会导致图构建失败或动态形状错误。
典型翻车场景：
- 在
build()里调用tf.nn.relu(x)—— 此时x还不存在，input_shape不是张量 - 在
call()里反复调用self.add_weight()—— 每次前向就新建变量，OOM 或梯度错乱 - 忘记在
call()中对输入做 dtype 检查，导致混合float32/float64报InvalidArgumentError
示例片段（带权重的线性变换）：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
def build(self, input_shape):
self.w = self.add_weight(
shape=(input_shape[-1], self.units),
initializer='random_normal',
trainable=True)
self.b = self.add_weight(
shape=(self.units,),
initializer='zeros',
trainable=True)
def call(self, inputs):
return tf.matmul(inputs, self.w) + self.b
如何支持 mask、training、ragged tensor 等高级行为？
默认 Layer 不处理 mask，但如果你的层要接在 Embedding 后面（比如自定义 RNN 单元），就必须显式支持 mask 参数；同理，Dropout 类层必须响应 training 参数开关行为。
关键点：
-
call()函数签名可扩展为call(self, inputs, training=None, mask=None)，Keras 会自动传入（如果上游层产生 mask 或 model 以training=True调用） - 不要在
call()内部硬编码if training:，而应使用tf.cond(training, ...)或直接透传给子层（如self.dropout(inputs, training=training)） - 若需兼容
RaggedTensor输入（如变长序列），不能直接用tf.shape(inputs)[0]，得改用inputs.nrows()或tf.RaggedTensor.from_tensor()做适配
调试时最常漏掉的三件事
写完 Layer 很容易直接塞进模型里跑，但以下三点不验证，大概率卡在训练中途或导出时报错：
- 没调用
layer.compute_output_shape(input_shape)手动测输出形状是否匹配——尤其当内部有 reshape、transpose 时，静态 shape 推导易出错 - 没在 eager 模式下单独测试
layer(tf.random.normal((2, 10)))是否返回合理张量——避免依赖隐式 batch 维或意外触发Noneshape - 没检查
layer.trainable_weights是否包含全部预期变量——漏掉add_weight()或写成self._w（私有属性不被追踪）都会导致权重不更新
复杂点在于：Layer 行为会随模型构建模式（eager/graph）、是否启用 XLA、是否保存 SavedModel 而变化。最稳妥的做法，是在和最终部署一致的环境下做最小闭环验证。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
