最近在实验中，需要用到tensorflow建立一个简单的模型，但鉴于部分要求比较苛刻，不能直接使用其内置的layer，因此需要自定义一个layer类，这便涉及到了对__init__(), build(), call()这三个函数的理解

先看官方手册中使用了Layer中的这三个关键函数的一个简单的实例：

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)

从直观上理解，似乎__init__()和build()函数都在对Layer进行初始化，都初始化了一些成员函数，而call()函数则是在该layer被调用时执行。

显然，这三个函数都是从tf.keras.layers.Layer处继承而来的，那么不妨看一下官方对这几个函数作何解释。
下图为tf.keras.layers.Layer的官方文档

简单翻译，就是说官方推荐凡是tf.keras.layers.Layer的派生类都要实现__init__()，build(), call()这三个方法
__init__()：保存成员变量的设置
build()：在call()函数第一次执行时会被调用一次，这时候可以知道输入数据的shape。返回去看一看，果然是__init__()函数中只初始化了输出数据的shape，而输入数据的shape需要在build()函数中动态获取，这也解释了为什么在有__init__()函数时还需要使用build()函数
call()： call()函数就很简单了，即当其被调用时会被执行。

下面附上这几个函数的文档，就不做详细介绍了，有兴趣可以自己看看：