下面是一个使用Keras编写自定义层的示例，该层根据给定的标记从字典中返回一个向量：

from tensorflow.keras.layers import Layer
import tensorflow.keras.backend as K

class CustomEmbeddingLayer(Layer):
    def __init__(self, dictionary, **kwargs):
        super(CustomEmbeddingLayer, self).__init__(**kwargs)
        self.dictionary = dictionary

    def build(self, input_shape):
        self.embedding_dim = len(list(self.dictionary.values())[0])
        self.embeddings = self.add_weight(shape=(len(self.dictionary), self.embedding_dim),
                                          initializer='random_normal',
                                          trainable=True)

    def call(self, inputs):
        return K.gather(self.embeddings, inputs)

    def compute_output_shape(self, input_shape):
        return input_shape + (self.embedding_dim,)

# 使用示例
# 假设我们的字典是{"apple": [0.1, 0.2, 0.3], "banana": [0.4, 0.5, 0.6]}
dictionary = {"apple": [0.1, 0.2, 0.3], "banana": [0.4, 0.5, 0.6]}

# 创建自定义层
custom_embedding_layer = CustomEmbeddingLayer(dictionary)

# 输入的标记
inputs = [0, 1, 0]

# 通过自定义层获得嵌入向量
embeddings = custom_embedding_layer(inputs)

print(embeddings)

在这个例子中，我们首先定义了一个CustomEmbeddingLayer类，继承自Keras的Layer类。在__init__方法中，我们接收一个字典作为参数，并将其保存在self.dictionary中。在build方法中，我们根据字典的大小和嵌入维度创建一个可训练的权重矩阵self.embeddings。在call方法中，我们使用K.gather函数从权重矩阵中检索指定的标记对应的嵌入向量。最后，我们使用compute_output_shape方法来指定输出的形状。

在示例中，我们创建了一个字典dictionary，其中包含了两个标记"apple"和"banana"对应的嵌入向量。然后，我们创建了一个自定义层custom_embedding_layer，并将字典作为参数传递给它。最后，我们定义了输入的标记inputs，并通过调用自定义层的call方法获取对应的嵌入向量。最后，我们打印输出的嵌入向量。

请注意，这个示例仅仅是用于演示如何编写一个自定义层，实际上你可能会根据自己的需求对自定义层进行更多的修改和调整。