为什么 keras 使用“call”而不是 __call__？

我喜欢以下代码（https://www.tensorflow.org/tutorials/eager/custom_layers https://www.tensorflow.org/tutorials/eager/custom_layers)

class MyDenseLayer(tf.keras.layers.Layer):
  def __init__(self, num_outputs):
    super(MyDenseLayer, self).__init__()
    self.num_outputs = num_outputs

  def build(self, input_shape):
    self.kernel = self.add_variable("kernel",
                                shape=[int(input_shape[-1]),
                                       self.num_outputs])

  def call(self, input):
    return tf.matmul(input, self.kernel)

最后两行是call方法，但它不像通常的python类方法call有两个下划线。它们之间有什么区别吗？

以下答案基于https://tf.wiki/zh/basic/models.html https://tf.wiki/zh/basic/models.html.

基本上在Python中，当你从类中调用实例时ClassA using ClassA()，它相当于ClassA.__call__()。所以使用似乎合理__call__()代替call()在这种情况下，对吧？

然而，我们使用的原因call()就是那个时候tf.keras称为模型或层，它有自己的内部操作，这对于保持其内部结构至关重要。结果，它暴露了一个方法call()用于自定义重载。__call__() calls call()以及一些内部操作，所以当我们超载时call()继承自tf.keras.Model or tf.keras.Layer，我们可以调用我们的自定义代码，同时保持tf.keras的内部结构。

例如，根据我的经验，如果您的输入是 numpy 数组而不是张量，那么如果您在中编写自定义代码，则不需要手动转换它call()但如果你覆盖__call__()，这将是一个问题，因为某些内部操作未被调用。