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()。
立即学习“Python免费学习笔记（深入）”；
-
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 Pythonif
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。
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(...))
