在深度学习领域，Keras是一个高度封装的库并被广泛应用，可以通过调用其内置网络模块（各种网络层）实现针对性的模型结构；当所需要的网络层功能不被包含时，则需要通过自定义网络层或模型实现。
如何在keras框架下自定义层，基本“套路”如下。
一般地，keras中的网络层是一个类，所以自定义层即编写一个类，更为重要的是这个类（即自定义层）需要继承Layer父类，而且需要实现以下四种方法：__init __ (self, output_dim, **kwargs)
这个方法是用来初始化并自定义自定义层所需的属性，比如output_dim；
此外，该方法需要执行super().__init __(**kwargs)，这行代码是执行Layer类中的初始化函数；
当执行上述代码就没有必要去管input_shape,weights,trainable等关键字参数，因为父类(Layer)的初始化函数实现了它们与layer实例的绑定。
build(self, input_shape)
这个方法是用来创建层的权重；
在该方法中，根据之前的继承，通过Layer类的add_weight方法来自定义并添加一个权重矩阵，这个方法需要input_shape参数；
该方法必须设self.built = True，目的是为了保证这个层的权重定义函数build被执行过了；
在built函数中，需要说明这个权重各方面的属性，比如shape、初始化方式以及可训练性等信息。
call(self, x)
这个方法是用来编写层的功能逻辑；
在该方法中，需要关注传入call的第一个参数：输入张量x；x只能是一种形式变量，不能是具体的变量，即它不能被定义；
这个call函数就是该层的计算逻辑，当创建好这个层实例后，该实例可以执行call函数；
可见，这个层的核心应该是一段符号式的输入张量到输出张量的计算过程。
compute_output_shape(self, input_shape)
这个方法是用来保证输出shape是正确的；
这里重写compute_output_shape方法去覆盖父类中的同名方法，来保证输出的shape符合实际；
父类Layer中的compute_output_shape方法直接返回的是input_shape这明显是不对的，所以需要重写该方法。
结合官方文档的例子，给出如下一个自定义层的代码：
使用自定义层，就如同使用keras内置网络层一样，如下图所示：（另外，本例使用kears内置的激活函数层ReLU承接自定义层的输出，从而避免将激活函数的功能加入到自定义层中）