deepxde скачать - загрузка исходного кода deepxde

deepxde

Питон

v1.12.2

Скачать

Deepxde

Deepxde-это библиотека для научного машинного обучения и физического обучения. DeepXDE включает в себя следующие алгоритмы:

Физико-информированная нейронная сеть (PINN)
- Решение различных проблем
  - Решение вперед/обратные обычные/частичные дифференциальные уравнения (ODES/PDE) [Siam Rev.]
  - Решение вперед/обратные интеграционные уравнения (IDES) [Siam Rev.]
  - FPINN: Решение вперед/обратные фракционные PDE (FPDES) [Siam J. Sci. Компьютер.]
  - Nn-arbitrary полиномиальный хаос (NN-APC): решение вперед/обратные стохастические PDE (SPDE) [J. Вычислительный Phys.]
  - PINN с жесткими ограничениями (HPINN): Решение обратной оптимизации/топологии [Siam J. Sci. Компьютер.]
- Повышение точности PINN
  - Остаточная адаптивная выборка [Siam Rev., Comput. Методы Appl. Мех Англ.]
  - Увеличенный градиент PINN (GPINN) [Comput. Методы Appl. Мех Англ.]
  - Pinn с многомасштабными функциями Фурье [Comput. Методы Appl. Мех Англ.]
- Слайды, видео, видео на китайском языке
(физическая информирована) Глубокая сеть операторов (DeboOnet)
- Deeponet: Операторы обучения [Nat. Маха Intell.]
- Deeponet Extensions, например, Pod-Dieponet [Comput. Методы Appl. Мех Англ.]
- Мионет: изучение операторов с несколькими входами [Siam J. Sci. Компьютер.]
- Фурье-дипонет [Comput. Методы Appl. Мех Энг.], Фурье-Мионет [arxiv]
- Физико-информированная Deeponet [Sci. Adv.]
- Multifidetility Deeponet [Phys. Rev. Research]
- Deepm & Mnet: решение многофизики и многократных проблем [J. Вычислительный Phys., J. Comput. Phys.]
- Надежная экстраполяция [Comput. Методы Appl. Мех Англ.]
Нейронная сеть мультифиделей (MFNN)
- Изучение данных о многофидутивности [J. Вычислительный Phys., PNA]

DeepXDE поддерживает пять тензоров библиотеки в качестве бэкэндов: Tensorflow 1.x ( tensorflow.compat.v1 в Tensorflow 2.x), Tensorflow 2.x, Pytorch, Jax и PaddlePaddle. Чтобы выбрать один, см. Работа с разными бэкэнами.

Документация : Readthedocs

Функции

DeepXDE внедрил много алгоритмов, как показано выше, и поддерживает множество функций:

Позволяет компактному коду пользователя, очень похож на математическую формулировку.
Сложная геометрия домена без генерации сетки тирании. Примитивными геометриями являются интервал, треугольник, прямоугольник, многоугольник, диск, эллипс, звездный, кубоид, сфера, гиперкуб и гиперсфер. Другие геометрии могут быть построены в качестве конструктивной твердой геометрии (CSG) с использованием трех логических операций: объединение, разница и пересечение. Deepxde также поддерживает геометрию, представленную облаком точек.
5 типов граничных условий (BCS): Dirichlet, Neumann, Robin, периодический и общий BC, который может быть определен на произвольном домене или на точечном наборе; и приблизительные функции расстояния для жестких ограничений .
3 Методы автоматической дифференциации (AD) для вычисления производных: режим обратного (т.е., обратный процесс), режим вперед и ноль координат (ZCS).
Различные нейронные сети : полностью подключенная нейронная сеть (FNN), сложенная FNN, остаточная нейронная сеть, (пространственно-временная) многомасштабные функции Фурье и т. Д.
Многие методы отбора проб : однородная, псевдорандома, выборка латинского гиперкуба, последовательность Halton, последовательность Хаммерсли и последовательность Sobol. Обучающие точки могут сохранять то же самое во время тренировки или быть повторно (адаптивно) каждые определенные итерации.
4 функциональных пространства : серия мощности, полиномиальная часть Chebyshev, Gaussian Random Field (1d/2d).
Данные параллельные обучение по нескольким графическим процессорам.
Различные оптимизаторы : Адам, L-BFGS и т. Д.
Удобно сохранить модель во время обучения и загрузить обученную модель.
обратные вызовы для мониторинга внутренних состояний и статистики модели во время обучения: ранняя остановка и т. Д.
Количественное определение неопределенности с использованием отсева.
float16 , float32 и float64 .
Многие другие полезные функции: различные (взвешенные) потери, графики скорости обучения, метрики и т. Д.

Все компоненты DeepXDE слабо связаны, и, таким образом, DeepXDE хорошо структурирован и высоко настраивается. Легко настроить DeepXDE, чтобы удовлетворить новые требования.

Установка

DeepXDE требует установки одной из следующих зависимостей, специфичных для бэкэнд:

Tensorflow 1.x: TensorFlow> = 2,7,0
TensorFlow 2.x: TensorFlow> = 2.3.0, вероятность TensorFlow> = 0,11,0
Pytorch: Pytorch> = 1.9.0
JAX: JAX, льна, Optax
PaddlePaddle: PaddlePaddle> = 2,6,0

Затем вы можете установить сам DeepXDE.

Установите стабильную версию с pip :

$ pip install deepxde

Установите стабильную версию с conda :

$ conda install -c conda-forge deepxde

Для разработчиков вы должны клонировать папку на локальную машину и установить ее вместе со своими сценариями проекта.

$ git clone https://github.com/lululxvi/deepxde.git

Изучите больше

Установите и настройку
Демо, приближение функции
Демоверсии прямого
Демоверсии обратных проблем
Демо, обучение операторов
Часто задаваемые вопросы
Исследовательские работы использовали Deacxde
API

Цитировать Deepxde

Если вы используете DeepXDE для академических исследований, вам рекомендуется цитировать следующую статью:

 @article{lu2021deepxde,
  author  = {Lu, Lu and Meng, Xuhui and Mao, Zhiping and Karniadakis, George Em},
  title   = {{DeepXDE}: A deep learning library for solving differential equations},
  journal = {SIAM Review},
  volume  = {63},
  number  = {1},
  pages   = {208-228},
  year    = {2021},
  doi     = {10.1137/19M1274067}
}

Вклад в DeepXDE

Во -первых, спасибо, что нашли время внести свой вклад!

Сообщать об ошибках. Чтобы сообщить об ошибке, просто откройте проблему в вопросах GitHub.
Предполагая усовершенствования. Чтобы представить предложение о улучшении для DeepXDE, включая совершенно новые функции и незначительные улучшения существующей функции, дайте нам знать, открыв проблему в вопросах GitHub.
Получить запросы. Если вы внесли улучшения в DeepXDE, исправили ошибку или имели новый пример, не стесняйтесь отправлять нам запрос.
Задавать вопросы. Чтобы получить помощь в том, как использовать DeacxDe или его функциональные возможности, вы можете открыть обсуждение в дискуссиях GitHub.
Отвечая на вопросы. Если вы знаете ответ на любой вопрос в дискуссиях, вы должны ответить.

Пролечить Deepxde Slack проводит основную аудиторию от пользователей и разработчиков Deepxde для общего чата, онлайн -дискуссий, сотрудничества и т. Д. Если вам нужно Slack Invite, пришлите мне электронное письмо.

Команда

Deepxde был разработан Лу Лу под руководством профессора Джорджа Каррнакиса в Университете Брауна с лета 2018 по 2020 год. Deepxde первоначально был самостоятельно в подрывной деятельности в Университете Брауна под названием Sciconet (научные вычислительные нейронные сети). 7 февраля 2019 года Sciconet была перенесена из подрывной деятельности в GitHub, переименован в Deepxde.

Deepxde в настоящее время поддерживается Лу Лу в Йельском университете с основным вкладом от многих талантливых людей в различных формах и средствах. Необходимо упомянуть неэкгастичный, но растущий список: Пол Эскапил-Инчауспе, Зонгрен Зу, Джиалин Ли, Саранш Чопра, Сенсен Хе, Владимир Дуденков, Анран Цзяо, Чжунги Цзян, Шунуан Мао.