今天用Keras编程的时候发现一个问题，
···
input_layer = K.layers.Input(shape=(10,))
x = K.layers.Dense(20)(input_layer)
x = K.layers.Dense(20)(x)
···
以上写法是可行的，但是以下写法却不行
L = K.layers.Dense(20)
y = L(input_layer)
y = L(y)
前两个表达式正常，到了第3个表达式y=L(y)的时候就报input_shape错误。百思不得其解，按照Python编程的原则，一切皆对象
L = K.layers.Dense(20)
L(x)
和
K.layers.Dense(20)(x)
有何不同？
一番尝试，发现奥妙在于Keras Layers的设计。看一下官方的对于自定义Layer的说明，
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.
也就是说，当layer的callmethod被调用时，layer才实际存在，此时将传入input_shape。如果call没有被调用，此时layer中并没有input_shape的信息。
举例说明，
L = K.layers.Dense(20)
L.input_shape
此时编译器报错`AttributeError: The layer has never been called and thus has no defined input shape. 再看以下代码，
L = K.layers.Dense(20)
y = L(input_layer)
L.input_shape
此时编译器不报错，输出(None, 10)。照理说第二段代码并没有对L做任何操作，只是将L(input_layer)赋给了y，但是此时L确获得了input_shape这个参数。
结合call(x)的定义，一开始遇到的问题也就明白了。表达式y = L(input_layer)调用了L的callmethod，此时L这个layer才正式被初始化，其input_shape也根据传入的input_layer被赋值 。因此，此时的L其实已经跟表达式K.layers.Dense(20)不一样了，后者未被调用，input_shape不存在。
以下这段代码之所以报input_shape错误，就是因为y = L(input_layer)使得L的input_shape被初始化为(10,)。因次当第三个表达式y=L(y)中y被传入L时，由于y的shape并不是(10,)，而是(20,)，与L中input_shape的值不一致，编译器报错。
L = K.layers.Dense(20)
y = L(input_layer)
y = L(y)