PINN-- Burges（一个例子让你入门PINN）

前言：这段代码最重要的难点就是这里，看懂了这里，你应该就入门了PINN。
重点剖析：
片段1：
def loss_func(self):
    u_pred = self.net_u(self.x_u, self.t_u)
    f_pred = self.net_f(self.x_f, self.t_f)
    loss_u = torch.mean((self.u - u_pred) ** 2)
    loss_f = torch.mean(f_pred ** 2)
    return loss_u + loss_f
问题提出：为什么这样定义损失函数呢？

解答：先看什么是x_f,t_f，两者是X_f_train的两列，而X_f_train是随机生成在x，t的范围内的数据点。

关键点1：（这是你可能疑惑，①为什么随机点也能拿来做预测 ②怎么判别预测的u结果准确呢？毕竟没有对应的u，这是就依靠u_pred = self.net_u(self.x_u, self.t_u)和loss_u ，这里的x，t都有对应u的，通过让模型学习把loss降到最小，是预测更加准确，也就有了可以和随机生成点对应的u了）

关键点2：其次为了让模型能够学习这个物理方程，引入了loss_f，让模型学习把loss_f降到最小，以至于参数能够学习到物理方程的规律，两者相加（loss_u + loss_f）也就构成了PINN。

片段2：
def net_f(self, x, t):
    u = self.net_u(x, t)
    u_t = torch.autograd.grad(u, t, grad_outputs=torch.ones_like(u), create_graph=True)[0]
    u_x = torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u), create_graph=True)[0]
    u_xx = torch.autograd.grad(u_x, x, grad_outputs=torch.ones_like(u_x), create_graph=True)[0]
    f = u_t + u * u_x - self.nu * u_xx
    return f  #方程的残差