基于多层权重的正则化实现及卷积层部分权重冻结方案咨询

我不知道该方案是否可行，特此咨询。以下是我模型的简化架构：

Layer (type)           Output Shape        Param  #Connected to
==========================================
input_1 (InputLayer)   [(None, 7, 7, 1024)  0
conv (Conv2D)          (None, 7, 7, 10)     10240 input_1[0][0]

其中conv层的10个滤波器均为1×1×1024卷积滤波器（无偏置，与本次问题无关）。我目前对conv层使用自定义正则化函数，约束尺寸为(1×1)×1024×10的滤波器权重矩阵满足所有向量两两正交的特性，当前运行正常。
现在我需要禁用这10个滤波器中部分的训练，我已知的唯一实现方式是将10个滤波器拆分独立实现，架构如下：

Layer (type)                    Output Shape         Param #     Connected to                     
=========================================================
input_1 (InputLayer)            [(None, 7, 7, 1024) 0
conv_1 (Conv2D)          (None, 7, 7, 1)     1024       input_1[0][0]
conv_2 (Conv2D)          (None, 7, 7, 1)     1024       input_1[0][0]
conv_3 (Conv2D)          (None, 7, 7, 1)     1024       input_1[0][0]
...
conv_10 (Conv2D)          (None, 7, 7, 1)     1024       input_1[0][0]

拆分后通过Concatenate层拼接输出，即可按需设置每个conv_i层的trainable参数为True/False。但该方案下我无法实现需要同时基于所有conv_i层权重计算的正则化函数。
请问有没有实现该正则化函数的技巧？或是有没有方法可以直接冻结单个卷积层的部分权重？

解决方案 #

供感兴趣的用户参考，以下是可运行的实现代码：

class SpecialRegularization(tf.keras.Model):
   """ 为了避免模型保存时出现警告，采用继承tf.keras.Model而非Layer的实现方式
   """
    def __init__(self,nfilters,**kwargs):
        super().__init__(**kwargs)
        self.inner_layers=[Conv2D(1,(1,1)) for _ in range(nfilters)]

    def call(self, inputs):
        outputs=[l(inputs) for l in self.inner_layers]
        self.add_loss(self.define_your_regularization_here())
        return tf.concat(outputs,-1)

    def set_trainable_parts(self, trainables):
        """ 为每个滤波器独立设置trainable属性
        """
        for l,t in zip(self.inner_layers,trainables):
            l.trainable = t

    def define_your_regularization_here(self):
        # 重构原始卷积核
        large_kernel=tf.concat([l.kernel for l in self.inner_layers],-1)
        return tf.reduce_sum(large_kernel*large_kernel[:,:,:,::-1])

内容的提问来源于stack exchange，提问作者Romain Xu-Darme