Tensorflow 在定义自定义tf.keras层时，是否仍需要实现“compute_output_shape（）”？

我使用TensorFlow 2.1.0在

tf.keras

中实现了一个自定义

层

在过去，当使用独立的Keras时，在任何自定义层中定义
compute\u output\u shape（input\u shape）
方法非常重要，这样就可以创建计算图

现在，转到TF2之后，我发现即使我从自定义实现中删除了该方法，该层仍能按预期工作。显然，它可以在渴望模式和图形模式下工作。
这是我的意思的一个例子：

从tensorflow.keras.layers导入图层，输入
从tensorflow.keras.models导入顺序
将numpy作为np导入
类别MyLayer（层）：
def呼叫（自我，输入）：
返回输入[：，：-1]#执行一些更改形状的操作
m=顺序（[MyLayer（），MyLayer（）]））
m、 预测（np.ones（（10，3））#这在过去是行不通的

可以安全地说，
compute\u output\u shape（）
不再是必需的了吗？我错过了什么重要的事情吗

文档中没有明确提到删除
compute\u output\u shape（）

感谢
在Tensorflow文档中没有提到它，但在本书的第12章中，自定义模型和Tensorflow培训，使用Scikit学习和Tensorflow进行机器学习的实践（Tensorflow 2的第二版更新）中提到了它，由Aurelian Geron编写，如下面的屏幕截图所示：


要回答您的问题，可以肯定地说，除非图层是动态的，否则不需要
compute\u output\u shape

这一点很明显，其中未使用
compute\u output\u shape

希望这有帮助。学习愉快
 通常可以省略
compute\u output\u shape（）
方法，因为tf.keras会自动推断输出形状，除非图层是动态的。在其他Keras实现中，此方法是必需的，或者其默认实现假定输出形状与输入形状相同。根据，正在使用
\uuuu init\uuuu
，
build
和
call
谢谢，这就是我要找的。你真的是Tensorflow的战士。请帮助朋友回答此问题：