继续keras源码阅读，不急不躁，慢就是快。
490-502
这里处理了一个很trick的问题。就是当layer只是简单将input返回作为output时，要对output进行一下复制，防止丢失tensor的元数据。
复制的函数就是 K.identify。
这个函数的签名说的很清楚：
复制一个tensor的值，感觉这个函数还是很有用的。值得用心记一下。
503-512
这段代码不用考虑，因为注释说的很明白：
513-517
这段同样是对mask进行处理。上一篇文章中，看到Embedding layer计算mask时，根据input是否等于0，产生了mask。
但是有一个问题，就是当输出是多个tensor时，需要每个tensor有一个mask。这段代码就是做这件事儿的。为什么不用一个呢？
我想这样的设计是为了简单，清晰。每个output tensor都对应自己的mask。数据结构非常整齐。
518-530
又到了这段代码，在前面已经见过几次了。不过我觉得还是有必要认认真真读一下。因为它对理解keras组织神经网络的方式非常重要。
首先就是注释。说明了Node的作用。
1、追踪对该layer的call调用
2、追踪call调用产生的新的variable
3、更新output tensor的keras history
这一点我们之前已经学习过，就是tensor的坐标。强调一点，我觉得tensor坐标是一个非常重要的概念。它揭示出了keras中很多的设计初衷。
4、如果input tensor有自己的坐标，则也进行记录。
看完注释，自然是要进到方法内部去看看。
这是上面讲的第4点的内容。记录input tensor的坐标。
inbound_layers = []
node_indices = []
tensor_indices = []
就是这三项。当然，前提是input tensor 要有_keras_history这个属性，如果没有，就用None代替。
看到这里，我想到，keras现在强绑定tensorflow，那按道理，现在tensorflow的每个tensor应该都有_keras_history了吧。为了验证，我打开了tensorflow的源码。发现并没有。
这样就理解了一个限制，keras layer的输入必须是其他的keras的layer的输出，目的就是确保每个tensor都有_keras_history，以便keras能够全面地追踪并管理整个神经网络。
这一点，在我们使用tf.keras时要格外注意。
同时，进一步，可以更深刻地理解tensor和variable的区别。tensor是layer的输入和输出，在计算时才有值，同时，还记录了自己从哪里来这样的信息（即tensor坐标）。variable就是比较简单了，就是简单的多维数组，并且有初始化值。
这么联系起来一想，对keras就有了更深刻的感知了。
继续往下读：
这里是创建了Node，之前已经看过，在创建Node时，会把该node加到input layer的outbound_nodes数组中，同时加入该layer的inbound_nodes数组中。
有点绕，需要慢下来，确保自己弄清楚了。
Node添加完之后，就是为output tensor添加_keras_history
关键看下面的一行。
(self, len(self._inbound_nodes) - 1, i)
因为Node创建时，该layer的_inbound_nodes已经添加了一个Node，所以，直接使用该Node的index作为第二个坐标。
上面的_uses_learning_phase是keras中一个便利标志。可以让每个tensor针对训练阶段进行一些定制操作。K.in_train_phase就是配套的方法。这一点可以以后慢慢理解，现在知道有这么回事儿就行。
确定每个output tensor的 _uses_learning_phase时有三个考虑，一个就是该tensor自己的_uses_learning_phase属性，另一个就是产生该tensor的layer的_uses_learning_phase属性，另一个就是所有的input tensor的_uses_learning_phase属性。代码中已经明示了。
至此，我们就读完了__call__方法。撒花！
往期精彩回顾
