Keras如何获取自定义层的weights

请教keras中如何获取自定义层的weights啊,单独创建层是可以通过get_weights()得到的,但是通过model和其他层组合之后,自定义层就被拆分成了几个操作层,这样就没办法通过model.layer[].get_weights()获取了,因为每个操作层没有weights。
自定义层代码:

class PixelBaseConv(Layer):

    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(PixelBaseConv, self).__init__(**kwargs)

    def build(self, input_shape):
        # kernel_shape: w*h*c*output_dim
        kernel_size = input_shape[1:]
        kernel_shape = (1,) + kernel_size + (self.output_dim, )
        print(input_shape)
        # 为该层创建一个可训练的权重
        self.kernel = self.add_weight(name='kernel', 
                                      shape=kernel_shape,
                                      initializer='uniform',
                                      trainable=True)
        super(PixelBaseConv, self).build(input_shape) 

    def call(self, inputs):
        # output_shape: w*h*output_dim
        outputs = []
        inputs = K.cast(inputs, dtype="float32")
        for i in range(self.output_dim):
            #output = tf.keras.layers.Multiply()([inputs, self.kernel[..., i]])
            output = inputs*self.kernel[...,i]
            output = K.sum(output, axis=-1)
            if len(outputs) != 0:
                outputs = np.dstack([outputs, output])
            else:
                outputs = output[..., np.newaxis]
        return tf.convert_to_tensor(outputs)

    def compute_output_shape(self, input_shape):
        return input_shape + (self.output_dim, )
    
    def get_config(self):
        base_config = super(PixelBaseConv, self).get_config()
        return base_config

自定义层是位于input层之后
模型前几层信息
image

前几层weights的length
image

获取模型中的变量的话,也可以直接model.variables然后再根据variable的name属性找到对应层的变量?

谢谢回复,试了一下,还是读不到自定义层的权重
不过刚才终于找到问题出在哪了,我自定义层import的是tensorflow.python.keras,但是模型中其他层import的是tensorflow.keras,如果不统一的话,要么自定义层会被视为几个操作层叠加,要么其他层会被是为几个操作层叠加,取决于创建模型时Model是用的哪个导入,我Model用的是tensorflow.keras,所以只有自定义层被拆分,这样权重没办法获取也没办法更新,统一使用tensorflow.keras之后问题解决
目前我还不太清楚这两个库具体有什么区别会导致这个问题,还需要继续学习