是的，是的。
您可能需要保存层的权重和偏移，而不是保存层本身，但这是可能的。
Keras还允许您保存整个模型。
假设在var model中有一个模型：

weightsAndBiases = model.layers[i].get_weights()

这是一个numpy数组的列表，很可能有两个数组：你可以简单地使用numpy.save()来保存这两个数组，然后你可以创建一个类似的层，并给予它权重：

from keras.layers import *
from keras.models import Model

inp = Input(....)    
out1 = SomeKerasLayer(...)(inp)  
out2 = AnotherKerasLayer(....)(out1)
.... 
model = Model(inp,out2)
#above is the usual process of creating a model    

#supposing layer 2 is the layer you want (you can also use names)    

weights = numpy.load(...path to your saved weights)    
biases = numpy.load(... path to your saved biases)
model.layers[2].set_weights([weights,biases])

您可以使层不可训练（必须在模型编译之前完成）：

model.layers[2].trainable = False

然后编译模型：

model.compile(.....)

这就是一个模型，它的一层是不可训练的，它的权重和偏差是由你定义的，是从其他地方取来的。

是的，这是迁移学习中的常见做法，请参阅here。下面的piece_to_share可以是一层或多层。

piece_to_share = tf.keras.Model(...)
full_model = tf.keras.Sequential([piece_to_share, ...])
full_model.fit(...)
piece_to_share.save(...)