Fortran语言,do-end do循环,相互包含测试,自动性能优化

1)上代码

    !$omp parallel private(n, j, dx, dy, dz, r, a)
    do n = 1, nsteps
        !$omp do
        do i = 0, nparticles - 1
            x_tmp(i) = x(i) + vx(i) * dt
            y_tmp(i) = y(i) + vy(i) * dt
            z_tmp(i) = z(i) + vz(i) * dt

            do j = 0, nparticles - 1
                dx = x(j) - x(i)
                dy = y(j) - y(i)
                dz = z(j) - z(i)

                R = sqrt(dx ** 2 + dy ** 2 + dz ** 2 + softening)
                a = G * m(j) / R ** 3 * dt

                vx(i) = vx(i) + a * dx
                vy(i) = vy(i) + a * dy
                vz(i) = vz(i) + a * dz
            end do
			

            do j1 = 0, nparticles - 1
                dx = x(j1) - x(i)
            end do
			
            do j2 = 0, nparticles - 1
                dx = x(j2) - x(i)
					
				do j3 = 0, nparticles - 1
					dx = x(j3) - x(i)
				end do
            end do
        end do

        !$omp do
        do i = 0, nparticles - 1
            x(i) = x_tmp(i)
            y(i) = y_tmp(i)
            z(i) = z_tmp(i)
            do j4 = 0, nparticles - 1
                dx = x(j4) - x(i)
				
				do j = 0, nparticles - 1
					dx = x(j) - x(i)
				end do
            end do
        end do
		
		do j = 0, nparticles - 1
			dx = x(j) - x(i)
		end do

        !$omp master
        print *, "n =", n
        do i = 0, nparticles - 1
            print *, i, ":", x(i), y(i), z(i)
        end do
        !$omp end master
    end do
    !$omp end parallel

2)

循环对:

 [[8, 19, -100], [22, 24, -100], [29, 31, -100], [26, 32, -100], [3, 33, -100], [43, 45, -100], [40, 46, -100], [36, 47, -100], [49, 51, -100], [55, 57, -100], [1, 59, -100]]

3)下面这个结果有错

 [[8, 19, 4], [22, 24, 0], [29, 31, 3], [26, 32, 1], [3, 33, 10], [43, 45, 6], [40, 46, 7], [36, 47, 10], [49, 51, 10], [55, 57, 10], [1, 59, -1]]

4)这个才是对的。

 [[8, 19, 4], [22, 24, 4], [29, 31, 3], [26, 32, 4], [3, 33, 10], [43, 45, 6], [40, 46, 7], [36, 47, 10], [49, 51, 10], [55, 57, 10], [1, 59, -1]]

目前看起来是对的。

在当今计算机视觉领域,深度学习模型在图像分割任务中发挥着关键作用,其中 UNet 是一种在医学影像分析、遥感图像处理等领域广泛应用的经典架构。然而,面对复杂结构和多尺度特征的图像,UNet 的性能存在局限性。因此,Nested UNet(也称 UNet++)应运而生,它通过改进 UNet 的结构,增强了特征融合能力,提升了复杂图像的分割效果。 UNet 是 Ronneberger 等人在 2015 年提出的一种卷积神经网络,主要用于生物医学图像分割。它采用对称的编码器 - 解码器结构,编码器负责提取图像特征,解码器则将特征映射回原始空间,生成像素级预测结果。其跳跃连接设计能够有效传递低层次的细节信息,从而提高分割精度。 尽管 UNet 在许多场景中表现出色,但在处理复杂结构和多尺度特征的图像时,性能会有所下降。Nested UNet 通过引入更深层次的特征融合来解决这一问题。它在不同尺度上建立了密集的连接路径,增强了特征的传递与融合。这种“嵌套”结构不仅保持了较高分辨率,还增加了特征学习的深度,使模型能够更好地捕获不同层次的特征,从而显著提升了复杂结构的分割效果。 模型结构:在 PyTorch 中,可以使用 nn.Module 构建 Nested UNet 的网络结构。编码器部分包含多个卷积层和池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层和卷积层,并与编码器的跳跃连接融合。每个阶段的连接路径需要精心设计,以确保不同尺度信息的有效融合。 编码器 - 解码器连接:Nested UNet 的核心在于多层次的连接。通过在解码器中引入“skip connection blocks”,将编码器的输出与解码器的输入相结合,形成一个密集的连接网络,从而实现特征的深度融合。 训练与优化:训练 Nested UNet 时,需要选择合适的损失函数和优化器。对于图像分割任务,常用的损失
内容概要:本文详细介绍了威纶通标准程序集锦,涵盖了多个常用功能模块,如XY曲线绘制、配方管理、权限设置、报警记录查询与操作、操作记录查询等。每个功能模块不仅提供了完整的代码示例,还附带了详细的解释和优化建议。例如,XY曲线功能展示了如何进行坐标系转换并保持画面流畅;配方管理部分则强调了合理的寄存器规划和数据保存方法;权限管理模块引入了MD5加密和全局权限变量传递,确保系统的安全性和灵活性;报警记录处理采用了类SQL查询方式,能够高效处理大量报警数据。此外,操作记录模块采用三层架构设计,便于审计和项目验收文档生成。这套程序不仅功能全面,界面简洁,而且各个模块之间通过全局变量耦合,实现了松耦合结构,方便移植和扩展。 适合人群:初学者、在校学生以及有一定经验的工程师。 使用场景及目标:① 初学者可以通过这套程序快速掌握威纶通触摸屏编程的基本技能;② 工程师可以在实际项目中直接引用或修改这些功能模块,提高开发效率;③ 学习权限管理和数据处理的最佳实践,提升系统安全性。 阅读建议:建议读者仔细研读每个功能模块的代码实现及其背后的原理,尤其是权限管理和报警记录处理部分,这对于理解和设计复杂系统非常重要。同时,可以根据具体需求对代码进行适当调整和优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值