自定义层必须继承tf.keras.layers.Layer，且必须实现__init__、build、call三个方法；build用于创建可训练变量，call处理前向逻辑，权重需用self.add_weight()创建，不可在__init__中初始化。
自定义层必须继承 tf.keras.layers.Layer
不继承这个基类，就无法被 Keras 模型正确识别和构建计算图。哪怕只改一个方法名（比如写成 build_layer 而不是 build），模型在 model.build() 或首次调用时就会报 AttributeError: 'MyLayer' object has no attribute 'kernel' 这类隐晦错误。
最简骨架必须包含：__init__、build、call 三个方法。其中 build 只会被调用一次（首次输入 shape 确定后），用于创建可训练变量；call 处理实际前向逻辑。
-
build(self, input_shape)中必须用self.add_weight()创建参数，不能直接用tf.Variable—— 否则不会被自动加入model.trainable_variables -
input_shape是 tuple（如(None, 32, 32, 3)），注意索引：input_shape[-1]是通道数，input_shape[1:-1]是空间维度 - 如果层不引入新参数（比如纯激活函数封装），
build可为空，但不能省略
权重初始化与 build 的触发时机很关键
build 不会在你实例化层时运行，而是在第一次调用该层（layer(x)）且 x.shape 已知时才触发。这意味着：如果你手动调用 layer.build(input_shape)，可以提前初始化权重，方便调试；但如果跳过这步又没给输入数据，layer.weights 会是空列表，后续 model.summary() 也看不到参数量。
- 常用初始化器直接传字符串即可：
kernel_initializer='glorot_uniform'，不用 importtf.keras.initializers再传对象 - 若需自定义初始化逻辑（比如正交初始化 + 缩放），用
lambda: tf.initializers.orthogonal()(shape) * 0.1包裹，但注意 lambda 返回的是 tensor，不是 initializer 实例 - 不要在
__init__里调用self.add_weight()—— 此时input_shape未知，Keras 无法推导 shape，会报ValueError: The last dimension of the inputs to Dense is undefined
支持 batched 输入和 mask 的写法容易漏掉
很多自定义层默认只处理单个 tensor，但实际训练中输入是 batched 的（shape 含 None）。如果在 call 里硬编码 tf.shape(x)[0] 做循环或切片，会破坏图模式（graph mode），导致 tf.function 编译失败或梯度中断。
立即学习“Python免费学习笔记（深入）”；
- 所有张量操作必须用
tf.*函数，避免 Python 原生len()、for i in range(...)、list.append - 若需支持 masking（比如接在
Embedding后），要在call签名里加mask=None，并在内部用tf.boolean_mask或乘以tf.cast(mask, x.dtype)处理 - 如果层输出 shape 和输入不同（比如降维），务必在
call结尾显式返回tf.ensure_shape(output, expected_shape)，否则model.output_shape可能为None，影响后续层连接
测试自定义层是否真正可训练
光看 layer.weights 非空还不够。常见陷阱是：变量被创建了，但没参与计算图——比如在 call 里忘了用它，或用了但被条件语句包裹（if training: 里用了，else: 里没用，且没设 training 参数），导致梯度无法回传。
- 最可靠验证方式：
with tf.GradientTape() as tape: y = layer(x); loss = tf.reduce_mean(y); grads = tape.gradient(loss, layer.trainable_variables)，检查grads是否全非 None - 如果层内用了
tf.nn.dropout，记得传training=training参数，否则训练/推理行为不一致 - 保存加载模型时，确保层类已导入且注册（或用
custom_objects显式传入），否则tf.keras.models.load_model()会报ValueError: Unknown layer: MyCustomLayer
真正麻烦的不是写错一行代码，而是某处少了个 training 参数、漏了 self.add_weight 的 trainable=True（默认是 True，但显式写上更安全），或者 build 里 shape 算错了维度——这些都会让层“看起来工作”，实则参数不更新、梯度为零、部署后结果异常。
