- 博客(49)
- 收藏
- 关注
RSS订阅原创 3F10.5
假设有多个进程，每个进程都有一个局部的计算结果，我们希望将所有进程的结果。，用于在多个进程之间汇总数据。例如，可以对每个进程的结果进行。它在并行计算中非常常用，尤其适用于需要。等操作，并将结果广播给所有进程。，并将最终的结果广播给所有进程。，用于将多个进程的结果进行汇总并。
2024-10-29 21:19:51
295
原创 Fortran中的logical
在Fortran中，LOGICAL是用于表示布尔类型的数据类型，类似于其他编程语言中的布尔类型，表示逻辑真（True）或假（False）。Fortran 中的LOGICAL变量通常用来进行条件判断，例如IF语句和DO循环的条件控制。
2024-09-15 15:29:43
524
1
原创 详解数据结构中的链表结构
int data;} Node;// 创建新节点// 在链表头部插入节点// 遍历链表= NULL) {// 输出：1 -> 2 -> 3 -> NULLreturn 0;链表是数据结构中的重要部分，尤其在需要动态管理内存或频繁插入、删除操作的情况下，链表比数组具有更好的性能。链表的多种类型（如单向链表、双向链表、循环链表等）为不同的应用场景提供了灵活性，但也因为其随机访问能力较差、操作复杂性高等缺点，在某些场景下可能不如数组高效。
2024-09-14 21:53:33
1022
原创 详解Fortran中的intent
在 Fortran 中，intentintent(in)：参数是输入参数，子程序或函数内部不能修改。：参数是输出参数，子程序或函数必须为其赋值。：参数既可以作为输入，也可以在子程序或函数中被修改为输出。通过使用intent属性，可以提高代码的安全性、可读性和维护性，并帮助编译器更好地进行错误检查和优化。
2024-09-14 10:53:24
1121
原创 Fortran中，先use module再implicit none
是 Fortran 中禁止隐式变量声明的语句，强制要求所有变量都必须显式声明。它可以避免由于未声明或拼写错误导致的隐式变量引发的潜在问题。在现代 Fortran 编程中，几乎所有程序和子程序中都应该使用，这是一个最佳实践。
2024-09-13 20:30:53
511
原创 Fortran：program 和 subroutine 的区别
program：程序的主入口，整个程序从这里开始执行，且只能有一个主程序。subroutine：模块化的代码段，可以接受参数，在主程序或其他子程序中被调用。它通过封装复杂的逻辑，使程序更加简洁和可维护。
2024-09-13 20:21:20
711
原创 real, dimension(3) :: rho1 和 real :: rho1(3) 的区别
语法风格使用dimension关键字定义数组。则直接在变量名后面加上维度，简洁直观。适用场景dimension方式更灵活，适合复杂的数组声明，尤其是在模块化代码中。直接声明数组维度更适合简单的一维或固定大小数组。
2024-09-13 19:52:32
184
原创 后缀规则和模式规则(.f.o and %.o:%.f)
这表示从所有的.f90文件生成相应的.o文件。这种写法使用了通配符来匹配文件的名称部分，而后缀（.f90和.o）定义了如何从.f90文件生成.o文件。
2024-09-13 17:46:59
748
原创 makefile（规则后面加分号）
在规则中使用分号;是为了在同一行内定义目标和命令。如果命令较少或者为了代码的简洁性，这种写法比较常见。不过，如果 Makefile 中命令较多、较复杂，还是推荐使用换行的形式来增强可读性。
2024-09-13 17:10:41
292
原创 .SUFFIXES:
是一种简便的机制，用来定义不同文件后缀的自动转换规则。通过.SUFFIXES，你可以灵活地控制哪些文件类型会自动进行转换，以及它们之间的转换规则。
2024-09-13 17:07:38
548
原创 fortran定义数组
静态数组：在编译时定义大小，适用于已知大小的数据。动态数组：在运行时分配内存，适用于大小不确定的数据。Fortran 数组支持多维声明，维度可以根据程序的需要进行扩展。
2024-09-12 17:28:37
369
原创 简单的 Fortran 程序示例
下面是一个简单的 Fortran 程序示例，用于计算一组数字的平均值。程序结构清晰，非常适合初学者快速了解 Fortran 的基本概念。
2024-09-12 16:19:29
556
原创 神经网络中权重矩阵的行和列分别代码的含义
权重矩阵的行：表示目标层（下一层或隐藏层）中的神经元。每一行包含从所有源层（前一层或输入层）神经元到该神经元的连接权重。权重矩阵的列：表示源层（前一层或输入层）中的神经元。每一列包含从该神经元到目标层（下一层或隐藏层）所有神经元的连接权重。通过这种方式，权重矩阵可以有效地描述神经网络中各层之间的连接和信息传递。
2024-07-03 23:15:10
488
原创 按位异或^
在 Python 中，a ^ b表示按位异或运算符。按位异或运算符对整数的每一位进行运算，如果对应位上的两个二进制数字不同，则结果为 1，否则为 0。
2024-07-02 16:12:33
417
原创 匿名函数return lambda t
在代码片段中，的含义是返回一个匿名函数（也叫 lambda 函数）。这个匿名函数接收一个参数t，并返回t * theta的值。
2024-07-02 16:09:28
336
原创 jnp.matmul和jnp.dot的区别？
jnp.matmul和jnp.dot都是用于矩阵乘法的函数，但它们在处理多维数组（即张量）时有不同的行为。jnp.dot。
2024-06-22 22:11:44
213
原创 jnp.diag
jnp.diag是一个非常有用的函数，可以根据需要创建对角矩阵或提取矩阵的对角线元素。在线性代数和矩阵计算中，这个功能常用于各种数值计算和矩阵操作中。
2024-06-22 22:02:06
754
原创 linalg
linalg是的缩写，在许多科学计算库中，linalg模块包含了用于执行线性代数操作的函数。这些操作包括矩阵乘法、矩阵分解、求解线性方程组、特征值和特征向量的计算等等。在不同的库中，linalg模块通常具有类似的功能。以下是一些常见的库和它们的linalg。
2024-06-22 21:51:21
385
原创 jnp.linalg.svd
是 JAX 库中的一个函数，用于计算矩阵的奇异值分解 (SVD)。SVD 将一个矩阵分解成三个矩阵的乘积，通常表示为AUSV。
2024-06-22 18:31:26
412
原创 print(“{}{}“.format())
format方法通过在字符串中插入值来实现字符串格式化。可以使用位置参数、命名参数和格式说明符来控制插入值的格式。Python 3.6 及更高版本中的 f-strings 提供了一种更简洁的格式化方法。
2024-06-21 22:59:20
305
原创 jnp.linalg.norm
是一个强大且灵活的工具，用于计算向量和矩阵的各种范数。通过指定不同的ord和axis参数，可以计算出不同类型和不同轴上的范数。
2024-06-21 22:23:58
551
原创 jax.experimental.optimizers.adam()
jax.experimental.optimizers.adam()返回三个参数，包含初始优化器状态、更新优化器状态、获取当前参数的。
2024-06-19 22:50:02
223
原创 value_and_grad
是 JAX 提供的一个便捷函数，它同时计算函数的值和其梯度。这在优化过程中非常有用，因为在一次函数调用中可以同时获得损失值和相应的梯度。以下是对 的详细解释：：JAX 的一个高阶函数，它接受一个函数 并返回一个新函数，这个新函数在计算 函数值的同时也计算其梯度。：要计算值和梯度的目标函数。在这个例子中，它是我们之前定义的损失函数 。：指定对哪个参数计算梯度。在这个例子中， 是第一个参数（索引为0），因此我们对 计算梯度。：指示 函数是否返回除主要输出（损失值）之外的其他辅助输出（auxi
2024-06-19 22:34:37
341
原创 C++基础
上述代码用IntDoublePairVector代替原来的类型名.其中std::vector<std::pair<int,double>>是存储了整型和双精度浮点型组成的键值对的向量。
2024-06-19 18:45:00
434
原创 linux笔记
ls > file_list.txt : 在此示例中，ls执行命令并将结果写入名为 的文件中。由于 的输出ls被重定向到文件，因此显示屏上不会出现任何结果.ls >> file_list.txt : 附加结果时，新结果将添加到文件末尾，从而使每次重复命令时文件变得更长。如果当我们尝试附加重定向输出时该文件不存在，则会创建该文件.
2024-06-19 18:43:36
1282
原创 python笔记
参数units，定义了输出空间的维度。如果上一层输出形状为(None, 32)，通过Dense(units=16)层后，输出形状为(None, 16)；如果输出形状为(None, 32, 32)，通过Dense(units=16)层后，输出形状为(None, 32, 16)。第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度；即np.hstack将两个形状为(3，1)的数组堆叠在一起，形成了一个(3,2)的新数组.
2024-06-19 18:43:03
1533
原创 jnp.einsum()
假设a是一个形状为(2,3,4)的三维张量. b是一个形状为(3,4)的二维张量. 那么**jnp.einsum(‘imn,mj->ijn’, a, b)**用来计算结果张量.表示b张量的两个维度3，4；由于前面有imn，mj，后面是ijn，没有了m，所以是对m求和，所以遍历维度m来计算输出张量的每个元素.从而输出张量的形状是(2,4,4).该命令用于在jax中进行张量运算.表示a张量的三个维度2，3，4；
2024-06-19 18:39:44
190
原创 设置随机数种子 random.PRNGKey()
random.PRNGKey() 是jax中用于生成伪随机数生成器(PRNG)密钥的函数.：作为辅助部分，用于帮助确定生成的随机数序列，并确保生成的随机数在并行计算中是独立的。42是随机数生成器的种子，key是一个包含两个整数的jax数组，表示。：表示伪随机数生成器的主要部分，它用于确定随机数生成的当前状态。拆分出来的key1, key2是两个新的子密钥，不同于key.
2024-06-19 10:32:09
187
原创 jax.nn.initializers.glorot_normal()
是JAX库中的一个函数，用于初始化神经网络的参数。它使用Glorot正态分布初始化方法，也称为Xavier正态初始化。这种初始化方法旨在使每个神经元的输出具有相同的方差，以促进梯度在网络中流动时的稳定性。
2024-06-19 09:34:54
159
原创 pickle.dump()
pickle.dump()用于将python对象序列化并写入文件。序列化是指将对象转换为字节流，这样可以将对象保存到文件。**file: **文件对象，必须以二进制写模式（wb）打开；**obj: **需要序列化的python对象；
2024-06-18 21:10:43
316
原创 python编程笔记
if __name__ == '__main__'的意思是：当.py文件被直接运行时，if__name__ == '__main__'之下的代码块将被运行；通俗的理解__name__ == ‘__main__’：假如你叫小明.py，在朋友眼中，你是小明(__name__ == ‘小明’)；：原因是解释器选择不对，pip3 install numpy是把numpy库安装在3.xxx的python解释器中，但是我是在3.9.6的解释器下运行的，所以找不到，此时需要把解释器换成3.11.9即可。
2024-06-18 20:37:42
1356
原创 文献总结：ON THE TRAINING AND GENERALIZATION OF DEEP OPERATOR NETWORKS(关于深度算子网络的训练和泛化)
ON THE TRAINING AND GENERALIZATION OF DEEP OPERATOR NETWORKS(关于深度算子网络的训练和泛化)算子网络DeepONet由两个网络构成，即trunk网络和branch网络，通常是同时训练这两个网络，这相当于是在高维空间中解决复杂的优化问题，同时，非凸和非线性的性质也使得训练非常有挑战性。为了解决这个问题，本文提出了一种新的训练方法，即两步训练方法，先训练trunk网络，再训练branch网络，通过将复杂的训练任务分解为两个子任务，降低了复杂度。首先
2024-06-17 14:33:41
1125
原创 文献总结：ON THE TRAINING AND GENERALIZATION OF DEEP OPERATOR NETWORKS(关于深度算子网络的训练和泛化)
算子网络DeepONet由两个网络构成，即trunk网络和branch网络，通常是同时训练这两个网络，这相当于是在高维空间中解决复杂的优化问题，同时，非凸和非线性的性质也使得训练非常有挑战性。为了解决这个问题，本文提出了一种新的训练方法，即两步训练方法，先训练trunk网络，再训练branch网络，通过将复杂的训练任务分解为两个子任务，降低了复杂度。是在不引入branch网络的情况下，通过trunk网络和相应的系数一起找到基表示，第一步找到的系数对于branch网络来说，是目标值；如假设4.7定义的那样；
2024-06-12 20:50:55
1186
原创 文献总结：Learning nonlinear operators for identifying differential equations(DeepONet)
首先数据点是三元组(u,y,G(u)(y))因此特定的输入u可能出现在具有不同y值的多个数据点中，例如，大小为1w的数据集可能仅从100个输入u得到，每个数据集在100个不同的y位置处评估G(u)(y).从来在数据集中，对于每个u，就在G(u)的定义域中随机选择P个不同的y点，因此数据点的总数是P。也即，DeepONet时一种网络架构，没有定义其内部（主干和分支）的具体神经网络形式.接下去的几个例子都是选择最简单的全连接网络作为子网络架构，如果输入函数有一定的结构，那么可以用专门的层：例如，如果。
2024-04-24 20:20:53
574
原创 Weak adversarial networks for high-dimensional partial differential equations（WAN文献总结）
同时因为有限元、有限差分网格点的数量相当于问题的维数d呈指数级快速增加，所以发展基于神经网络的方法。PDE（3）的解就是（1）的弱解，（1）的解称为强解。我们还可以把WAN扩展到求解具有时间导数的PDE，也即IBVP.如下有两种方法：一种是在时间上采用半离散化，并对每个。那么总目标函数就是两个目标（6）和（7）的加权和，为此我们需要寻找一个鞍点来解决如下的这个极小极大问题.上述定理启发我们，为了得到（1）的弱解，我们可以寻找使得（5）达到最优值的最优解。对于给定的目标函数（8），网络训练的关键要素是。
2024-04-18 17:36:17
1200
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人