Keras中等号右侧仅以括号分隔的两个值代表什么含义？

你看到的层类(初始化参数)(输入张量)的连续括号写法不是Keras框架自定义的特殊语法，是Python原生支持的可调用对象链式调用规则：
只要一个对象实现了__call__魔法方法，它就可以像普通函数一样，通过对象(参数)的形式被调用；如果前一次调用的返回值本身也是可调用对象，就可以直接在后面继续加括号传参调用，形成连续括号的写法。

以你代码里的LSTM_layer = LSTM(units=256)(embedding)为例，整行代码会严格从左到右分两步执行：

1. 先执行左侧的LSTM(units=256)：这一步是调用LSTM类的构造方法，传入units=256这类和层结构相关的超参数，创建一个初始化完成的LSTM层实例。这一步只完成层对象的创建，不会做任何张量运算，也不会关联输入。
2. 再执行右侧的(embedding)：这一步是对第一步刚创建好的LSTM层实例做调用，把embedding作为输入张量传入层的__call__方法。Keras的所有层都在__call__方法里实现了权重创建、计算图连接、前向传播计算的逻辑，执行完成后会返回经过该层运算后的输出张量，最终把这个输出张量赋值给等号左侧的LSTM_layer变量。

你可以把连续括号的写法拆成两行，执行效果和原写法完全一致：

# 拆分后的等价代码
lstm_instance = LSTM(units=256)  # 第一步：实例化层对象
LSTM_layer = lstm_instance(embedding) # 第二步：传入输入，拿到层输出

你给出的示例代码里其他层的写法逻辑完全相同：

• Embedding(input_dim = len(tokenizer.word_index)+1, output_dim = 100)(sentence_input)：先初始化Embedding层实例，再传入输入层sentence_input，得到词嵌入后的张量赋值给embedding
• Dense(1, activation='sigmoid')(LSTM_layer)：先初始化二分类全连接层实例，再传入LSTM层的输出，得到最终的sigmoid概率输出张量

• 代码简洁：搭建函数式模型时不需要为每一个层的中间实例额外命名，顺着数据流动的方向链式书写即可，代码结构和模型计算流完全对应，可读性更强
• 逻辑分离：层初始化时只需要传入层自身的结构超参数（比如单元数、激活函数），调用层时只需要传入输入张量，两类参数边界清晰，不会混淆。

内容的提问来源于stack exchange，提问作者Sherum