我已经创建了一个自定义层使用层子类化。这层是由一系列特定的密集层组成，并有相同大小的输入和输出。我希望堆叠这些一个接一个，使他们都有独立的，可训练的，权重和偏见。
这个自定义层用于通过model子类化API构建的模型中。当我在model子类的call方法中两次使用这个层时（即，当我在下面两次使用self.custom_layer时，一个接一个），在训练结束时打印的model.summary（）只显示其中一个层，并且只列出其中一个层的参数数量。
然而，当我为自定义层的示例使用单独的名称时（如下所示），model.summary（）将两个层显示为单独的，并显示参数数量的增加。

class custom_model(Model):
    def __init__(self):
        super().__init__()
        self.custom_layer = custom_layer()
        self.custom_layer_2 = custom_layer()
        self.dense64 = tf.keras.layers.Dense(64)
        self.dense60 = tf.keras.layers.Dense(60)

    def call(self, inputs):
        out = self.custom_layer(inputs)
        out = self.custom_layer_2(out)
        out = self.dense64(out)
        out = self.dense60(out)

        return out

那么，两次使用相同的名称是怎么回事呢？通过两次使用self.custom_layer，我是否实际上只训练了这些层中的第一层，并在我的模型中创建了一个单独的循环？或者，model.summary（）中是否存在一个bug，即两次调用具有相同名称的内容，而我正在独立地训练该层的两个完全独立的示例，正如我所希望的那样？