要在TensorFlow中使用自定義層，首先需要創建一個繼承自tf.keras.layers.Layer類的子類，并實現__init__和call方法。在__init__方法中可以定義層的參數，而call方法則是用來定義層的前向傳播邏輯。

以下是一個簡單的自定義全連接層的示例：

import tensorflow as tf

class CustomDenseLayer(tf.keras.layers.Layer):
    def __init__(self, units=32):
        super(CustomDenseLayer, 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

# 使用自定義層
model = tf.keras.Sequential([
    CustomDenseLayer(units=64),
    tf.keras.layers.Activation('relu'),
    CustomDenseLayer(units=10),
    tf.keras.layers.Activation('softmax')
])

# 編譯和訓練模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

在這個示例中，我們定義了一個自定義的全連接層CustomDenseLayer，其中包含__init__方法用來設置層的單元數，build方法用來創建層的權重，以及call方法用來定義層的前向傳播邏輯。然后我們在模型中使用這個自定義層來構建一個全連接神經網絡模型。