为什么Keras高度关注权重？仅保存权重的优势及偏置保存疑问

首先你存在一个常见的认知偏差：Keras官方文档和接口命名里提到的权重（weights），本身就是所有可训练参数的统称，天然包含每一层的偏置（biases）、批量归一化层的缩放/偏移参数等所有可学习参数，并非仅指卷积/全连接层的卷积核参数。
你完全可以通过model.save_weights()、ModelCheckpoint(save_weights_only=True)的方式同时保存权重和偏置，不需要保存整个模型，也不存在“仅保存权重就会丢失偏置”的情况。你可以通过print(model.get_weights())自行验证，返回的列表里会依次包含每一层的核参数、偏置参数。
行业内默认将偏置归到权重的大范畴下讨论，不需要单独提及，才会让你产生“偏置被忽略”的错觉。

Keras区分「仅保存权重」和「保存整个模型」两种模式，核心是为了适配不同的使用场景：

• 仅保存权重面向的是需要灵活修改模型结构、损失函数、训练策略的研发场景，也是绝大多数算法研究员的常用模式
• 保存整个模型面向的是生产部署、模型分享的场景，不需要二次开发，加载即可直接推理

• 存储成本低：仅存储参数张量，不包含模型结构描述、损失函数配置、优化器状态、自定义算子代码等冗余信息，文件体积通常只有完整模型的1/3到1/2，批量保存检查点时的存储压力、读写速度都有明显优势
• 灵活性极高：完全不受损失函数、模型顶层结构改动的影响，非常适配你当前做PINN需要自定义损失、跨模型迁移参数的场景，加载时不会出现自定义损失不匹配、模型结构校验失败的报错
• 兼容性更强：不同TensorFlow/Keras版本、不同运行环境之间加载完整模型时，经常会因为API变动、自定义依赖缺失报错，纯权重文件的跨环境兼容性要高很多

如果你当前是通过load_weights()接口做参数迁移，那么默认已经把源模型的偏置一起加载到目标模型中了，不需要额外操作。如果你之前是手动拷贝卷积核参数、忽略了偏置，那么补充迁移偏置通常能带来明显的性能提升：
偏置的核心作用是给模型输出提供基准偏移量，对于PINN场景来说，源模型学习到的偏置往往对应物理场的基准值、边界条件偏移，加载偏置可以让目标模型的初始输出快速贴合物理约束的范围，减少训练时的收敛步数，同时提升最终拟合精度。
仅有一种场景需要考虑不迁移偏置：如果你的源域和目标域的物理场分布偏移极大（比如源域拟合的是0_{10℃的温度场，目标域拟合的是100}200℃的温度场），原有偏置会带来负迁移，这种情况可以选择重置偏置后重新训练，或者冻结权重仅微调偏置，通常能获得更好的效果。

内容的提问来源于stack exchange，提问作者DeerFreak