当我在没有参数的情况下定义自己的呼叫功能时，为什么要使用模型（x，triagh = true）？

Question

请注意，当我创建模型时，我用参数= false定义了呼叫函数，当我在function train_step中使用该模型时，我将“某物= true，training = true”放入我的呼叫中，但在我的呼叫中未定义，但是在默认的tf.keras.model调用中。

为什么我可以没有错误执行此操作？输出基本上打印了一堆我的电话。

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis].astype("float32")
x_test = x_test[..., tf.newaxis].astype("float32")

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.fl = Flatten()
    self.d = Dense(10)
  
  ######My problem#######
  def call(self, x, something=False):
    if something:
      tf.print('my call')
    x = self.fl(x)
    return self.d(x)


model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam()

@tf.function
def train_step(X,Y):
  with tf.GradientTape() as tape:
    ######My problem#######
    predictions = model(X, something =True, training = True)
    loss = loss_object(Y, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

for epoch in range(3):

  for X,Y in train_ds:
    train_step(X,Y)

Answer 1

在模型类中， call方法文档文档：

要在输入上调用模型，请始终使用__调用__（）̀方法，即
模型（输入），依赖于基础呼叫（）方法。

实际上，__调用__可以采用任何输入参数：def __call __（self， *args，** kwargs）：（在模型类源代码中）

您可以找到一个更详细的答案<