PINNs画每一层激活函数程序

要绘制PINNs（Physics-Informed Neural Networks）每一层的激活函数图，需要使用已经训练好的神经网络模型，并将其可视化。

以下是使用TensorFlow框架绘制PINNs每一层激活函数的代码示例：

import tensorflow as tf
import matplotlib.pyplot as plt 

# 加载已经训练好的模型
model = tf.keras.models.load_model('/path/to/saved/model.h5')

# 定义输入（x和t）的范围
x_min, x_max = 0, 1
t_min, t_max = 0, 1

# 生成坐标点
x_grid, t_grid = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(t_min, t_max, 100))

# 将坐标点展平为向量形式，以便输入到模型中
x_flat = x_grid.flatten()
t_flat = t_grid.flatten()
X = np.hstack([x_flat.reshape(-1, 1), t_flat.reshape(-1, 1)])

# 获取模型每一层的输出结果
layer_outputs = [model.layers[i].output for i in range(len(model.layers))]
activation_model = tf.keras.models.Model(inputs=model.input, outputs=layer_outputs)
activations = activation_model.predict(X)

# 绘制每一层的激活函数图
for i in range(len(model.layers)):
    plt.figure()
    plt.scatter(x_flat, t_flat, c=activations[i].flatten(), cmap='coolwarm')
    plt.colorbar()
    plt.title('Activation of Layer {}'.format(i+1))
    plt.xlabel('x')
    plt.ylabel('t')
    plt.show()

在上述代码中，`model = tf.keras.models.load_model('/path/to/saved/model.h5')`用于加载已经训练好的模型。`x_min, x_max, t_min, t_max`定义了输入x和t的范围。`x_grid, t_grid`生成了坐标点。`X`将坐标点展平为向量形式，以便输入到模型中。`layer_outputs`获取了模型每一层的输出结果。`activation_model`定义了一个新的模型，用于获取每一层的输出结果。`activations`获取了每一层的激活函数值。最后，使用`plt.scatter`函数绘制每一层的激活函数图。