我正在尝试在Keras中编写一些自定义图层。最终目标是将某些参数（在训练过程中优化每批数据后根据固定公式更新）传递给损失函数。我不认为可以在Keras中使用动态损失函数，但我应该能够使用多个输入和自定义层将这些参数传递给损失函数。
我想知道是否可以在Keras中创建一个层，该层的参数不可训练（并且在训练过程中根本没有优化），而是在每个批次结束时根据固定公式进行更新优化培训过程。
我可以给出的最简单的示例：我想优化与交叉熵成比例的东西（c * cross_entropy），而不是优化通用成本函数（例如交叉熵）。在训练过程中处理了一批数据后，我想设置例如c = 1.2 * c，并将其用作该批数据中的c值。 （在这种情况下，作为正常数乘以损失函数应该不会影响最小值，这在某种程度上应该是无用的，但是与我实际需要做的相当接近）。