自定义层在tf.function下推理出错的主因是call未正确处理training参数、shape/dtype依赖运行时值、变量未在build中声明及加载后命名冲突；须显式透传training、用tf.shape替代x.shape、build中创建变量、避免硬编码名称。
自定义层在 tf.function 下未正确处理训练模式参数
TensorFlow 自定义层（继承 tf.keras.layers.Layer）在推理时出错，最常见原因是 call 方法里没区分 training 参数，导致训练时才启用的逻辑（如 Dropout、BatchNormalization）在 tf.function 跟踪中被静态固化，或反向传播路径意外保留。
典型表现：推理时抛出 ValueError: Cannot convert a symbolic Tensor to a numpy array，或 AttributeError: 'NoneType' object has no attribute 'shape' —— 这往往是因为某条分支（比如 if training:）在图模式下被裁剪，但内部变量初始化逻辑没覆盖所有路径。
-
call方法必须显式接收并使用training参数，不能硬编码training=True或忽略它 - 所有依赖
training的子层（如self.dropout(x, training=training)）必须透传该参数，不能写成self.dropout(x) - 避免在
call中做条件性变量创建（如if training: self.v = tf.Variable(...)），变量应在build中声明
tf.function 跟踪时输入张量缺少 shape 或 dtype 信息
自定义层若在 call 中做了 shape 推导（如 x.shape[0]）、动态 reshape 或依赖具体 dtype 做分支判断，在 tf.function 图构建阶段会因符号张量（symbolic tensor）无运行时值而失败。
例如：tf.reshape(x, [-1, self.units]) 在 self.units 是 Python int 时正常，但如果 x.shape[0] 被用于计算新 shape，就会报 Cannot compute output shape。
立即学习“Python免费学习笔记（深入）”；
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 用
tf.shape(x)[0]替代x.shape[0]，前者返回动态张量，后者返回None或具体数值（仅在已知 shape 时） - 避免在
call中用np.array、len()、isinstance(x, tf.Tensor)等 Python 运行时检查；改用tf.rank、tf.size、tf.is_tensor - 若需调试，可在
@tf.function外先用layer(x, training=False)跑通 eager 模式，再加装饰器
自定义层内部状态未在 build 中正确定义
很多报错表面是推理问题，根源却是层未完成构建：比如权重在 __init__ 里声明为 self.w = None，却在 call 中首次创建 self.w = self.add_weight(...)。这在 eager 模式可能侥幸成功，但在 tf.function 中会因多次调用触发重复创建而冲突。
错误信息常含 ValueError: Variable already exists 或 AssertionError: Layer not built。
- 所有可训练变量必须在
build(self, input_shape)中通过self.add_weight创建，且只创建一次 -
input_shape是TensorShape对象，可用input_shape[-1]获取特征维数，不要用input_shape[0]（batch 维通常是None） - 如果层支持多种输入 shape（如不同 batch size），确保
build不依赖具体 batch 维数值
保存/加载后推理时作用域或名称冲突
用 model.save() 或 tf.keras.models.load_model() 加载含自定义层的模型后推理失败，常见于层内用了硬编码变量名（如 tf.Variable(..., name='kernel')），或在多个实例间共享了非局部状态（如模块级 global_counter）。
尤其当模型被多次加载、或在多线程环境调用时，name 冲突会导致 InvalidArgumentError: Trying to create variable ... in graph with name already exists。
- 所有
tf.Variable必须通过self.add_weight创建，由 Keras 自动管理命名和作用域 - 避免在层中使用
tf.name_scope或tf.variable_scope手动干预，Keras 已在父级处理 - 若需唯一标识（如日志、调试），用
self.name（Keras 自动分配）而非自己拼接字符串
@tf.function，用 eager 模式跑通；再逐段加 @tf.function(input_signature=...) 显式约束输入，比盲目猜更容易定位 shape/dtype 断点。真正麻烦的不是写错，而是某些分支在 eager 下不执行、一进图就暴露。 
