官方文档很全面，搜索功能也很好。但是如果你想单独实现某个功能，根本无从搜寻。于是我写了这个笔记。从功能出发。
两个tensor经过一个layer实例会产生两个输出。
a = Input(shape=(280, 256)) b = Input(shape=(280, 256)) lstm = LSTM(32) encoded_a = lstm(a) encoded_b = lstm(b) lstm.output
这个代码有错误，因为最后一行没有指定lstm这个layer实例的那个输出。
>> AttributeError: Layer lstm_1 has multiple inbound nodes, hence the notion of "layer output" is ill-defined. Use `get_output_at(node_index)` instead.
所以如果想要得到多个输出中的一个：
assert lstm.get_output_at(0) == encoded_a
assert lstm.get_output_at(1) == encoded_b
补充知识：kears训练中如何实时输出卷积层的结果？
在训练unet模型时，发现预测结果和真实结果几乎完全差距太大，想着打印每层输出的结果查看问题在哪？
但是发现kears只是提供了训练完成后在模型测试时输出每层的函数。并没有提供训练时的函数，同时本着不对原有代码进行太大改动。最后实现了这个方法。
即新建一个输出节点添加到现有的网络结构里面。
#新建一个打印层。 class PrintLayer(Layer): #初始化方法，不须改变 def __init__(self, **kwargs): super(PrintLayer, self).__init__(**kwargs) #调用该层时执行的方法 def call(self, x): x = tf.Print(x,[x],message="x is: ",summarize=65536) #调用tf的Print方法打印tensor方法，第一个参数为输入的x，第二个参数为要输出的参数，summarize参数为输出的元素个数。 return x; #一定要返回tf.Print()函数返回的变量，不要直接使用传入的变量。 #接着在网络中引入 conv9 = Conv2D(2, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv9) print11 = PrintLayer()(conv9) conv10 = Conv2D(1, 1, activation = 'sigmoid')(print11) #PrintLayer层处理的结果一定要在下一层用到，不然不会打印tensor。该结点可以加在任何结点之间。
