自定义Keras模型call未定义training参数为何传training=True不报错

云上老周

2026-8-28

问题描述

在基于TensorFlow Keras实现自定义模型时存在如下现象：

创建继承Model类的自定义模型时，重写的call方法仅定义了x、something=False两个入参，未定义tf.keras.Model默认call方法中存在的training参数
在train_step训练函数中调用模型实例时，传入了something=True、training=True参数
代码执行过程中未抛出任何参数不匹配错误，运行时输出了大量my call打印内容

复现问题的完整代码如下：

import tensorflow as tf
from tensorflow.keras import Model, Flatten, Dense
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis].astype("float32")
x_test = x_test[..., tf.newaxis].astype("float32")

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.fl = Flatten()
    self.d = Dense(10)
  
  ######My problem#######
  def call(self, x, something=False):
    if something:
      tf.print('my call')
    x = self.fl(x)
    return self.d(x)


model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam()

@tf.function
def train_step(X,Y):
  with tf.GradientTape() as tape:
    ######My problem#######
    predictions = model(X, something =True, training = True)
    loss = loss_object(Y, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

for epoch in range(3):

  for X,Y in train_ds:
    train_step(X,Y)

原因解释

出现这个现象的核心逻辑来自Keras模型调用的分层设计，和Python原生的方法参数传递规则无关：

写model(...)调用模型实例时，首先触发的不是你重写的call方法，而是父类Model实现的__call__入口方法。这个入口方法承担了前向传播前后的框架层通用逻辑：比如开启/关闭自动求导上下文、设置训练/推理全局状态、处理mask、调用层的build逻辑自动构建权重、执行提前注册的回调钩子等。
__call__方法会对传入的关键字参数做分流处理：
- 框架内置的保留参数（training、mask等）会被__call__直接消费，用来设置全局执行状态，控制Dropout、BatchNormalization这类存在训练/推理行为差异的层的执行逻辑，这部分参数不会被透传到你自定义的call方法中
- 不在保留参数列表里的自定义关键字参数（比如代码里的something），才会被透传给你重写的call方法
因为传入的training=True在入口层就被拦截处理了，根本没有传递到自定义的call方法，自然不会触发Python的"未定义关键字参数"报错。
运行时大量打印my call属于符合代码逻辑的正常表现：something=True作为自定义参数被成功透传到call方法中，触发了tf.print逻辑；训练时每个batch都会执行一次前向传播，每遍历一个batch就会触发一次打印，3轮epoch遍历6万张MNIST样本（batch size为32时单轮约1875个batch），自然会产生大量打印输出。

注意：如果需要在自定义call方法内部根据训练/推理状态写分支逻辑，必须显式在call的入参列表中加入training参数，框架不会自动把这个参数注入到你的call方法作用域里。

内容的提问来源于stack exchange，提问作者ml alltheway