在深度學習領域，Keras是一個高度封裝的庫並被廣泛應用，可以通過調用其內置網絡模塊（各種網絡層）實現針對性的模型結構；當所需要的網絡層功能不被包含時，則需要通過自定義網絡層或模型實現。
如何在keras框架下自定義層，基本“套路”如下。
一般地，keras中的網絡層是一個類，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：
- __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)，這行代碼是執行Layer類中的初始化函數；
當執行上述代碼就沒有必要去管input_shape,weights,trainable等關鍵字參數，因為父類(Layer)的初始化函數實現了它們與layer實例的綁定。
- build(self, input_shape)
這個方法是用來創建層的權重；
在該方法中，根據之前的繼承，通過Layer類的add_weight方法來自定義並添加一個權重矩陣，這個方法需要input_shape參數；
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數build被執行過了；
在built函數中，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信息。
- 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的第一個參數：輸入張量x；x只能是一種形式變量，不能是具體的變量，即它不能被定義；
這個call函數就是該層的計算邏輯，當創建好這個層實例后，該實例可以執行call函數；
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。
- compute_output_shape(self, input_shape)
這個方法是用來保證輸出shape是正確的；
這里重寫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
結合官方文檔的例子，給出如下一個自定義層的代碼：
使用自定義層，就如同使用keras內置網絡層一樣，如下圖所示：（另外，本例使用kears內置的激活函數層ReLU承接自定義層的輸出，從而避免將激活函數的功能加入到自定義層中）
