TensorFlow自定义Layer模型无参数显示，无法正常工作问题排查

我正在为模型自定义一个Layer，核心部分是call函数，代码如下：

class Custom_Layer(Layer):
# some code

def call(self, inputs, **kwargs):
  kernel = mul(self.base, self.diag_start - self.diag_end) 
  outputs = matmul(a=inputs, b=kernel)

  if self.use_bias:
    outputs = tf.nn.bias_add(outputs, self.bias)

  if self.activation is not None:
    outputs = self.activation(outputs)

  return outputs    
# some code

我将其用于一个简单模型中：

inputs = tf.keras.layers.Input(shape=(784,),dtype='float32') 
layer1 = Custom_layer(2000, **Custom_layer_config, activation='tanh')(inputs)
layer2 = Custom_layer(200, **Custom_layer_config, activation='tanh')(layer1)
output_lay = Custom_layer(10, **Custom_layer_config, activation='softmax')(layer2)

model = tf.keras.models.Model(inputs=inputs, outputs=output_lay)

opt = tf.keras.optimizers.Adamax(learning_rate=0.02)
model.compile(optimizer=opt,
     loss='sparse_categorical_crossentropy',
     metrics=['accuracy'])
model.summary()

预期的model.summary()输出应包含自定义层及对应参数，但实际输出仅显示TFOpLambda层且参数总数为0。我运行的是作者仓库的原代码，未做修改，想询问该问题的原因。

问题原因分析 #

• 未正确注册可训练参数：Keras要求自定义层必须通过add_weight()方法注册可训练参数（比如self.base、self.bias等），如果你的Custom_Layer在__init__或build方法中没有做这件事，Keras无法识别这些参数属于该层，会把整个层的逻辑当作普通TensorFlow操作，包装成TFOpLambda，自然不会统计参数。
• 类名与实例化名称不匹配：自定义类名为Custom_Layer，但实例化时用了Custom_layer（首字母L小写），如果这不是笔误，Python会认为这是两个不同的类，你实例化的可能不是你定义的那个自定义层，而是其他未正确实现的类。
• 缺失build方法实现：如果自定义层的参数依赖输入张量的形状，必须在build方法中初始化权重。跳过这一步的话，Keras在模型构建阶段无法确定层的参数数量，会导致层无法被正确识别为标准Keras层。
• 激活函数参数处理错误：实例化层时传入了字符串格式的激活函数（比如activation='tanh'），如果自定义层内部没有通过tf.keras.activations.get()将字符串转换为对应的激活函数对象，会导致层的逻辑异常，被Keras当作普通操作处理。

内容的提问来源于stack exchange，提问作者David