如果在自定义的不可训练的keras层中

import tensorflow as tf
from tensorflow import keras

class CustomLayer(keras.layers.Layer):
    def __init__(self, output_dim, **kwargs):
        super(CustomLayer, self).__init__(**kwargs)
        self.output_dim = output_dim

    def build(self, input_shape):
        # 在这里定义层的权重，但是由于是不可训练的层，可以略过这一步

    def call(self, inputs):
        # 在这里定义层的前向传播逻辑
        # 这里只是一个示例，将输入数据乘以2并返回
        return inputs * 2

    def get_config(self):
        # 在这里定义层的配置信息，用于保存模型
        config = super(CustomLayer, self).get_config()
        config['output_dim'] = self.output_dim
        return config

# 创建模型
model = keras.Sequential()
model.add(keras.layers.Dense(64, activation='relu', input_shape=(784,)))
model.add(CustomLayer(64))
model.add(keras.layers.Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_val, y_val))