在训练期间更改Keras正则化器的超参数模型

Question

关于Keras中的可训练参数，我有两个问题：

1. 我正在为Keras模型myReg设计自己的正则化器Model_1，其中正则化器R具有一个超级参数，它是另一个Keras模型Model_2。

class myReg(Regularizer):
    def __init__(self, Model_2):
        self.model = Model_2

但是由于Model_1和Model_2是交替训练的，因此Model_2将得到更新。 myReg也会在Model_1的培训期间得到更新吗？我做了一些实验，但是我仍然不确定是否会起作用。我在训练期间阅读了许多有关正则化器的更改超参数的问题，https://github.com/keras-team/keras/issues/4813这个问题的人使用K.set_value。

有人知道Model_2是否会真正更新吗？如果没有，是否有办法对其进行更新？

1. 当我有一些可训练的参数时，说layer.trainable_weights，但是我想在进行其他操作之前对权重进行排序，我该怎么做？我可以使用
之类的东西吗

import tensorflow as tf
p = layer.trainable_weights
p = tf.sort(p)

或者Keras中有什么特别的方法吗？

非常感谢有人可以回答我的问题，谢谢！