新增的层必须是Layer类的实例。找到的是KerasTensor。

要解决这个问题，您可以通过将层定义为Layer的子类来创建自定义层。您可以根据自己的需求重写call方法并使用它来构建自定义层的逻辑。

以下是一个示例代码，演示了如何创建一个自定义的全连接层：

import tensorflow as tf
from tensorflow.keras.layers import Layer

class CustomLayer(Layer):
    def __init__(self, units=32):
        super(CustomLayer, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units),
                                 initializer='random_normal',
                                 trainable=True)
        self.b = self.add_weight(shape=(self.units,),
                                 initializer='zeros',
                                 trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

# 创建自定义层的实例
custom_layer = CustomLayer(units=64)

# 使用自定义层
inputs = tf.keras.Input(shape=(10,))
outputs = custom_layer(inputs)

# 创建模型
model = tf.keras.Model(inputs, outputs)

在上面的代码中，我们首先创建了一个CustomLayer类，它继承自Layer类。在构造函数中，我们定义了层的参数units，并在build方法中创建了权重w和偏置b。最后，我们重写了call方法来定义层的计算逻辑。

然后，我们通过创建CustomLayer的实例custom_layer来使用自定义层。我们还使用custom_layer作为输入层来构建一个模型。

这样，我们就可以使用自定义的全连接层了。