### 解决 `TransformerBlock.call()` 方法签名与基类 `Layer` 不匹配的问题 当遇到方法 `TransformerBlock.call()` 的签名与基类 `Layer` 中定义的方法签名不匹配的情况时，这通常是由于参数列表或返回值类型的差异引起的。为了使子类化模型能够正常工作并遵循框架的设计模式，应当确保 `call` 方法的签名严格符合父类的要求。 在 TensorFlow 和 Keras 中，所有的层都继承自 `tf.keras.layers.Layer` 类，在这个基础上创建的新层应该重写三个核心方法：`__init__()`, `build()`, 和 `call()`[^2]。特别是对于 `call()` 方法而言，其设计目的是处理前向传播逻辑，并接受输入张量作为第一个位置参数；此外还可以接收可选的关键字参数如 `training` 或者 `mask` 来控制行为变化[^4]。 因此，要修复 `TransformerBlock.call()` 方法使其兼容于 `Layer` 基类： #### 修改后的 `TransformerBlock` 示例代码 ```python import tensorflow as tf from tensorflow import keras class TransformerBlock(keras.layers.Layer): def __init__(self, d_model, num_heads, ff_dim, rate=0.1): super().__init__() self.att = keras.layers.MultiHeadAttention(num_heads=num_heads, key_dim=d_model) self.ffn = keras.Sequential( [keras.layers.Dense(ff_dim, activation="relu"), keras.layers.Dense(d_model),] ) self.layernorm1 = keras.layers.LayerNormalization(epsilon=1e-6) self.layernorm2 = keras.layers.LayerNormalization(epsilon=1e-6) self.dropout1 = keras.layers.Dropout(rate) self.dropout2 = keras.layers.Dropout(rate) def build(self, input_shape): # 如果有需要初始化的操作可以在build里完成 pass def call(self, inputs, training=False, mask=None): attn_output = self.att(inputs, inputs, attention_mask=mask) attn_output = self.dropout1(attn_output, training=training) out1 = self.layernorm1(inputs + attn_output) ffn_output = self.ffn(out1) ffn_output = self.dropout2(ffn_output, training=training) return self.layernorm2(out1 + ffn_output) # 使用示例 sample_transformer_block = TransformerBlock(d_model=512, num_heads=8, ff_dim=2048) print("Transform Block created.") ``` 上述代码展示了如何调整 `TransformerBlock.call()` 方法来满足 `Layer` 接口的需求。这里特别注意到了 `call` 方法的第一个参数被命名为 `inputs` 并且后面跟随着两个可选关键字参数 `training` 和 `mask`，这是为了让它能更好地适应不同场景下的调用需求[^1]。