关于实现keras.Model时，trainable_weights为空的解决办法

在搭建自己的Model的时候，我们有时候需要自己从稍微低层的部分进行搭建，而不是直接用Sequential搭建模型，或者是使用Model(inputs,outputs)的方式搭建，例如下面这个简单的例子：

# from tensorflow.python import keras
# from tensorflow.keras.layers import Dense,Input
# 直接使用keras或者是从tensorflow当中导入keras，两种方式二选一
import keras
from keras.layers import Dense,Input
class ActorCriticSharedModel(keras.Model):
    '''
    Comment model class 
    '''

    def __init__(self, state_size, action_size):
        super().__init__()
        self.state_size = state_size
        self.action_size = action_size
        self.dense_1 = Dense(100, activation='relu')
        self.policy_logits = Dense(self.action_size)
        self.dense_2 = Dense(100, activation='relu')
        self.value = Dense(1)  # output of value by critic-net according action

    def call(self, inputs, training=None, mask=None):
        '''over write call() method in Model class.
            must handle inputs'''
        x = self.dense_1(inputs)  # input is states,
        # this layer(dense_1) is shared layer in action and critic network
        logits = self.policy_logits(x)  # softmax(logits) is probabilities of output actions
        x = self.dense_2(inputs)
        value = self.value(x)  # value produced by critic
        return logits, value  # logits--without softmax activation

对__init__以及call的方法进行重载之后，就可以很简单的进行搭建模型，如下所示：
model=ActorCriticSharedModel(5,1)
搭建一个简单的5输入，1输出的网络，但是查看网络的可训练参数model.trainableweights是会显示空list的。其中的原因是因为在搭建网络时，没有执行参数初始化的操作。此时只需要简单的使用随机数初始化一下就可以，例如：model(tf.convert_to_tensor(np.random.random((1, 5),dtype=tf.float32))。此时再去查看可训练参数model.trainable_weights就是显示正常。
换而言之，如果自己采用的是Sequential或者说是Model(inputs,outputs)的方式搭建的模型，那么模型就会自动的执行参数的初始化，直接查看model.trainable_weights就可以。