下面是一个示例代码，演示如何使用Keras创建一个仅包含一个可训练参数的自定义层：

import tensorflow as tf
from tensorflow.keras import layers

class CustomLayer(layers.Layer):
    def __init__(self, units=1):
        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)

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

# 创建一个包含自定义层的模型
model = tf.keras.Sequential([
    layers.Dense(64, activation='relu'),
    CustomLayer(units=10),
    layers.Dense(10, activation='softmax')
])

# 编译和训练模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 示例数据
import numpy as np
x_train = np.random.random((1000, 32))
y_train = np.random.randint(10, size=(1000, 1))

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32)

在上述代码中，CustomLayer是一个自定义的Keras层，其中build方法用于创建可训练的参数。在这个例子中，我们使用add_weight方法创建了一个随机初始化的可训练权重w。call方法用于定义层的前向传播逻辑，这里我们使用了矩阵乘法来实现。

最后，我们创建了一个包含自定义层的模型，并对其进行了编译和训练。