用上述代码跑100周期时，报错Layers with arguments in `__init__` must override `get_config`.

这个错误通常是由于自定义层没有正确实现 `get_config` 方法导致的。在 Keras 中，当你使用自定义层时，需要将其序列化，以便能够保存模型并将其加载到其他环境中。因此，每个自定义层都必须实现 `get_config` 方法，该方法返回一个字典，其中包含层的参数。

下面是一个自定义层的示例，其中实现了 `get_config` 方法：

import tensorflow as tf

class MyLayer(tf.keras.layers.Layer):
    def __init__(self, units=32):
        super(MyLayer, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units),
                                 initializer='random_normal',
                                 trainable=True)
        self.b = self.add_weight(shape=(self.units,),
                                 initializer='random_normal',
                                 trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

    def get_config(self):
        config = super(MyLayer, self).get_config()
        config.update({'units': self.units})
        return config

在这个例子中，我们定义了一个名为 `MyLayer` 的自定义层，它有一个名为 `units` 的参数。在 `__init__` 方法中，我们将 `units` 存储为层的属性。在 `build` 方法中，我们定义了层的权重，并在 `call` 方法中使用它们来计算输出。

最重要的是，我们还实现了 `get_config` 方法，该方法返回一个字典，其中包含层的参数。在这个例子中，我们将 `units` 添加到字典中，但是如果你有其他参数，你也应该将它们添加到字典中。

当你在模型中使用自定义层时，Keras 将自动调用 `get_config` 方法，并将返回的字典保存在模型的配置中。因此，当你加载模型时，Keras 将使用这些配置来重建自定义层，并使用正确的参数来初始化它们。