最近在實驗中，需要用到tensorflow建立一個簡單的模型，但鑑於部分要求比較苛刻，不能直接使用其內置的layer，因此需要自定義一個layer類，這便涉及到了對__init__(), build(), call()這三個函數的理解
先看官方手冊中使用了Layer中的這三個關鍵函數的一個簡單的實例：
class MyDenseLayer(tf.keras.layers.Layer):
def __init__(self, num_outputs):
super(MyDenseLayer, self).__init__()
self.num_outputs = num_outputs
def build(self, input_shape):
self.kernel = self.add_variable("kernel",
shape=[int(input_shape[-1]),
self.num_outputs])
def call(self, input):
return tf.matmul(input, self.kernel)
layer = MyDenseLayer(10)
從直觀上理解，似乎__init__()和build()函數都在對Layer進行初始化，都初始化了一些成員函數，而call()函數則是在該layer被調用時執行。
顯然，這三個函數都是從tf.keras.layers.Layer處繼承而來的，那麼不妨看一下官方對這幾個函數作何解釋。
下圖爲tf.keras.layers.Layer的官方文檔
簡單翻譯，就是說官方推薦凡是tf.keras.layers.Layer的派生類都要實現__init__()，build(), call()這三個方法
__init__()：保存成員變量的設置
build()：在call()函數第一次執行時會被調用一次，這時候可以知道輸入數據的shape。返回去看一看，果然是__init__()函數中只初始化了輸出數據的shape，而輸入數據的shape需要在build()函數中動態獲取，這也解釋了爲什麼在有__init__()函數時還需要使用build()函數
call()： call()函數就很簡單了，即當其被調用時會被執行。
下面附上這幾個函數的文檔，就不做詳細介紹了，有興趣可以自己看看：
