今天用Keras編程的時候發現一個問題，
···
input_layer = K.layers.Input(shape=(10,))
x = K.layers.Dense(20)(input_layer)
x = K.layers.Dense(20)(x)
···
以上寫法是可行的，但是以下寫法卻不行
L = K.layers.Dense(20)
y = L(input_layer)
y = L(y)
前兩個表達式正常，到了第3個表達式y=L(y)的時候就報input_shape錯誤。百思不得其解，按照Python編程的原則，一切皆對象
L = K.layers.Dense(20)
L(x)
和
K.layers.Dense(20)(x)
有何不同？
一番嘗試，發現奧妙在於Keras Layers的設計。看一下官方的對於自定義Layer的說明，
call(x): this is where the layer's logic lives. Unless you want your layer to support masking, you only have to care about the first argument passed to call: the input tensor.
也就是說，當layer的callmethod被調用時，layer才實際存在，此時將傳入input_shape。如果call沒有被調用，此時layer中並沒有input_shape的信息。
舉例說明，
L = K.layers.Dense(20)
L.input_shape
此時編譯器報錯`AttributeError: The layer has never been called and thus has no defined input shape. 再看以下代碼，
L = K.layers.Dense(20)
y = L(input_layer)
L.input_shape
此時編譯器不報錯，輸出(None, 10)。照理說第二段代碼並沒有對L做任何操作，只是將L(input_layer)賦給了y，但是此時L確獲得了input_shape這個參數。
結合call(x)的定義，一開始遇到的問題也就明白了。表達式y = L(input_layer)調用了L的callmethod，此時L這個layer才正式被初始化，其input_shape也根據傳入的input_layer被賦值 。因此，此時的L其實已經跟表達式K.layers.Dense(20)不一樣了，後者未被調用，input_shape不存在。
以下這段代碼之所以報input_shape錯誤，就是因爲y = L(input_layer)使得L的input_shape被初始化爲(10,)。因次當第三個表達式y=L(y)中y被傳入L時，由於y的shape並不是(10,)，而是(20,)，與L中input_shape的值不一致，編譯器報錯。
L = K.layers.Dense(20)
y = L(input_layer)
y = L(y)