未定义model时，如何保存PINN的权重与偏置？

针对你这种手动定义weights、biases和A张量而非使用Keras Model的场景，有两种简洁的方案实现参数保存与复用：

方案1：使用NumPy保存为数组文件 #

这种方法简单直接，适合仅需推理复用的场景：

保存参数 #

训练完成后，将所有参数的数值提取为NumPy数组，打包保存到.npz文件：

import numpy as np

# 假设weights、biases、A是训练完成后的tf.Variable列表
params_dict = {
    'weights': [w.numpy() for w in weights],
    'biases': [b.numpy() for b in biases],
    'A': [a.numpy() for a in A]
}
np.savez('pinn_trained_params.npz', **params_dict)

加载复用参数 #

需要使用模型时，先初始化与原参数形状一致的tf.Variable，再将保存的数值赋值进去：

import tensorflow as tf
import numpy as np

# 加载保存的参数
loaded_params = np.load('pinn_trained_params.npz')

# 初始化变量（形状必须与训练时完全一致）
weights = [tf.Variable(w) for w in loaded_params['weights']]
biases = [tf.Variable(b) for b in loaded_params['biases']]
A = [tf.Variable(a) for a in loaded_params['A']]

# 直接传入neural_net函数使用
X_test = tf.constant([[...]], dtype=tf.float32)
predictions = neural_net(X_test, weights, biases, A)

方案2：使用TensorFlow Checkpoint保存 #

这种方法更贴合TensorFlow生态，支持训练中断后续训，且无需手动处理NumPy转换：

保存参数 #

训练过程中或结束后，用tf.train.Checkpoint管理参数并保存：

# 创建Checkpoint对象，绑定需要保存的参数
checkpoint = tf.train.Checkpoint(weights=weights, biases=biases, A=A)
# 保存到指定目录
checkpoint.save('./pinn_checkpoints/ckpt')

加载复用参数 #

初始化与原参数形状一致的变量后，通过Checkpoint恢复状态：

import tensorflow as tf

# 先初始化与训练时形状完全相同的weights、biases、A变量
# （续训可直接用原变量；新环境需手动匹配形状创建）
weights = [tf.Variable(tf.random.normal(shape=...)) for ...]  # 匹配训练时的形状
biases = [tf.Variable(tf.zeros(shape=...)) for ...]
A = [tf.Variable(tf.random.normal(shape=...)) for ...]

# 恢复参数
checkpoint = tf.train.Checkpoint(weights=weights, biases=biases, A=A)
# 加载最新的检查点
status = checkpoint.restore(tf.train.latest_checkpoint('./pinn_checkpoints'))
# 可选：验证参数完全匹配，避免形状不匹配问题
status.assert_consumed()

# 复用参数进行推理或续训
predictions = neural_net(X_test, weights, biases, A)

注意事项 #

• 加载时参数的形状、数据类型必须与保存时完全一致，否则会报错。
• 若需续训，优先选择方案2，可同时保存优化器状态（将优化器加入Checkpoint即可），实现无缝续训。

内容的提问来源于stack exchange，提问作者P. Zh.