在深度學習領域，Keras是一個高度封裝的庫並被廣泛應用，可以通過呼叫其內建網路模組（各種網路層）實現針對性的模型結構；當所需要的網路層功能不被包含時，則需要通過自定義網路層或模型實現。 如何在keras框架下自定義層，基本“套路”如下。 ####一般地，keras中的網路層是一個類，所以自定義層即編寫一個類，更為重要的是這個類（即自定義層）需要繼承Layer父類，而且需要實現以下四種方法： 1. __init __ (self, output_dim, **kwargs) 這個方法是用來初始化並自定義自定義層所需的屬性，比如output_dim； 此外，該方法需要執行super().__init __(**kwargs)，這行程式碼是執行Layer類中的初始化函式； 當執行上述程式碼就沒有必要去管input_shape,weights,trainable等關鍵字引數，因為父類(Layer)的初始化函式實現了它們與layer例項的繫結。 2. build(self, input_shape) 這個方法是用來建立層的權重； 在該方法中，根據之前的繼承，通過Layer類的add_weight方法來自定義並新增一個權重矩陣，這個方法需要input_shape引數； 該方法必須設self.built = True，目的是為了保證這個層的權重定義函式build被執行過了； 在built函式中，需要說明這個權重各方面的屬性，比如shape、初始化方式以及可訓練性等資訊。 3. call(self, x) 這個方法是用來編寫層的功能邏輯； 在該方法中，需要關注傳入call的第一個引數：輸入張量x；x只能是一種形式變數，不能是具體的變數，即它不能被定義； 這個call函式就是該層的計算邏輯，當建立好這個層例項後，該例項可以執行call函式； 可見，這個層的核心應該是一段符號式的輸入張量到輸出張量的計算過程。 4. compute_output_shape(self, input_shape) 這個方法是用來保證輸出shape是正確的； 這裡重寫compute_output_shape方法去覆蓋父類中的同名方法，來保證輸出的shape符合實際； 父類Layer中的compute_output_shape方法直接返回的是input_shape這明顯是不對的，所以需要重寫該方法。 ###示例 結合官方文件的例子，給出如下一個自定義層的程式碼：  使用自定義層，就如同使用keras內建網路層一樣，如下圖所示：（另外，本例使用kears內建的啟用函式層ReLU承接自定義層的輸出，從而避免將啟用函式的功能加入到自定義層中） ![](https://img2020.cnblogs.com/blog/1875829/202102/1875829-20210216154657047-18184049