当keras模型是类的一部分时，它不工作。

当Keras模型是类的一部分时，可能会出现不工作的情况。这可能是由于Keras模型的序列化和反序列化问题导致的。

Keras是一个高级神经网络API，它可以在多种深度学习框架上运行，如TensorFlow、Theano和CNTK。在使用Keras时，我们通常会定义一个模型对象，并在该对象上进行训练和预测。

然而，当将Keras模型作为类的一部分时，可能会遇到一些问题。这是因为Keras模型在序列化和反序列化时需要特殊处理。当我们将一个包含Keras模型的类实例化时，模型的状态可能无法正确地恢复，导致模型无法正常工作。

为了解决这个问题，我们可以采取以下措施：

1. 将Keras模型定义为类的属性而不是类的一部分：将Keras模型定义为类的属性，而不是类的一部分。这样，在实例化类时，模型的状态将被正确地恢复。
2. 自定义模型的序列化和反序列化方法：我们可以自定义类的序列化和反序列化方法，以确保Keras模型的状态正确地保存和恢复。这可以通过实现__getstate__和__setstate__方法来实现。
3. 使用其他深度学习框架：如果Keras无法满足需求，我们可以考虑使用其他深度学习框架，如TensorFlow或PyTorch。这些框架提供了更灵活的模型定义和序列化机制，可以更好地支持将模型作为类的一部分使用。

总结起来，当Keras模型是类的一部分时，可能会遇到序列化和反序列化问题导致模型不工作的情况。为了解决这个问题，我们可以将模型定义为类的属性，自定义模型的序列化和反序列化方法，或者考虑使用其他深度学习框架。