在不使用Keras API进行前向传递时，提取Keras层的权重可以用于以下几个方面：

1. 迁移学习：可以将预训练模型的权重加载到新的模型中，以便利用预训练模型在大规模数据上学习到的特征表示。这可以加快模型训练的速度和提高性能。

2. 特征提取：可以使用预训练模型的权重来提取输入数据的特征表示。通过将输入数据传递到模型的某一层，可以获取该层的输出，即特征表示。

下面是一个示例代码，展示如何提取Keras层的权重：

import numpy as np
from tensorflow.keras.applications.vgg16 import VGG16

# 加载预训练的VGG16模型
model = VGG16(weights='imagenet', include_top=True)

# 从模型中提取第一层的权重
weights = model.layers[0].get_weights()

# 打印第一层的权重
print(weights)

在上述代码中，我们使用了VGG16模型，并加载了在ImageNet数据集上预训练的权重。然后，我们使用get_weights()方法从模型的第一层提取权重，并将其打印出来。

注意：要使用预训练模型的权重进行迁移学习或特征提取，模型的结构必须与预训练模型的结构相匹配。