继承tf.keras.layers.Layer才能被model.summary()识别、参与权重管理、支持tf.function追踪和SavedModel保存；纯函数无法注册可训练变量且绕过Keras调度机制。

为什么继承 tf.keras.layers.Layer 而不是直接写函数

因为只有继承 Layer 才能被 model.summary() 识别、参与权重管理、支持 tf.function 追踪和 SavedModel 保存。纯 Python 函数或 tf.keras.backend 操作不会注册可训练变量，也绕过 Keras 的前向/反向传播调度机制。

常见错误现象：ValueError: Input 0 of layer xxx is incompatible with the layer —— 往往是忘了在 __init__ 中调用 super().__init__()，导致父类初始化失败。

• 必须在 __init__ 第一行调用 super().__init__(**kwargs)
• 所有可训练参数（如 self.kernel）必须在 build() 中创建，不能在 __init__ 中直接定义 tf.Variable
• build() 只会被调用一次，输入形状确定后触发；若输入 shape 不固定（如 RNN），需在 call() 中做动态判断

build() 和 call() 的分工边界在哪

build() 只负责“准备”，不执行计算；call() 只负责“运算”，不创建新变量。混淆这两者会导致模型无法序列化、多 GPU 分布式训练失败，或在 tf.function 下报 ValueError: tf.function-decorated function tried to create variables on non-first call。

典型误用：build() 里写了 tf.random.normal 初始化，或 call() 里调用了 self.add_weight()。

• build(self, input_shape)：根据 input_shape[-1] 算输出维度，用 self.add_weight() 创建参数，不接受 batch 维度（即 input_shape 是 (None, d_in)，你只管 d_in）
• call(self, inputs, training=None)：接收实际张量，返回变换结果；training 参数必须显式接收（即使不用），否则 Keras 无法透传 dropout/BatchNorm 的训练状态
• 如果层需要条件逻辑（如训练/推理不同行为），必须用 tf.cond 或 training 判断，不能用 Python if

如何让自定义层支持 model.save() 和加载

核心是保证所有状态都通过 add_weight() 注册，且构造逻辑可复现。Keras 不会序列化 __init__ 中的任意 Python 对象（比如传入一个自定义 loss_fn 函数），也不会保存 build() 中的临时变量。

Biopython

全面的分子生物学工具集。适用于序列操作、文件解析（FASTA/GenBank/PDB）、系统发育分析，以及通过 Bio.Entrez 以编程方式访问 NCBI/

下载

常见错误：NotImplementedError: Saving the model to HDF5 format requires the model to be a Functional model or a Sequential model —— 实际是因为自定义层没实现 get_config()，导致整个模型无法转为 JSON 配置。

• 若 __init__ 接收了非张量参数（如 units=64, activation='relu'），必须在 get_config() 中返回字典，键名与 __init__ 参数名一致
• get_config() 返回值只能含基本类型（int/str/bool/dict/list），不能返回 tf.Tensor 或自定义类实例
• 若层内部使用了非标准激活（如 lambda x: tf.nn.gelu(x)），应改用字符串名（'gelu'）并确保 Keras 能识别，或在 call() 中硬编码，避免配置序列化失败

带状态的层（如 BatchNorm、LSTM）要注意什么

这类层除了可训练变量（gamma, beta），还有不可训练但需跨 batch 更新的状态（moving_mean, moving_variance）。TensorFlow 2.x 要求这些状态必须显式添加为 self.add_weight(trainable=False, ...)，并在 call() 中用 self.add_update() 注册更新操作。

否则会出现：训练时 BN 统计值不更新，或分布式训练中同步失败，或 tf.keras.Model 在 train_step 外调用时状态丢失。

• 不可训练状态变量（如 moving_mean）必须设 trainable=False，且初始值用 tf.zeros / tf.ones 等确定性方式
• 更新操作（如 tf.assign）必须包装进 self.add_update()，否则 model.train_step() 不会执行它
• 不要在 call() 中直接写 var.assign(...)，这会破坏图模式执行；必须用 self.add_update(tf.assign(...))

自定义层真正难的不是写通逻辑，而是让它的生命周期完全融入 Keras 的构建-编译-训练-保存链条。尤其当涉及状态更新、条件分支、外部依赖时，稍不注意就会在 save/load 或分布式场景下静默失效。

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！