自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

qq_45776432的博客

原创【InternLM 实战营第二期笔记7】OpenCompass 大模型评测实战

本文主要对OpenCompass-用于为大语言模型、多模态模型等提供一站式评测服务，进行介绍以及实践。

2024-04-24 22:55:48 279

原创【InternLM 实战营第二期笔记6】Lagent & AgentLego 智能体应用搭建

本文主要进行Lagent以及AgentLego实践

2024-04-24 15:39:51 268

原创【InternLM 实战营第二期笔记4】XTuner 微调 LLM：1.8B、多模态和 Agent

本笔记主要介绍了XTuner 微调 LLM：1.8B、多模态相关的知识以及上手实践。

2024-04-24 14:26:32 438

原创【InternLM 实战营第二期笔记5】LMDeploy 量化部署 LLM-VLM 实践

本笔记主要是关于大模型部署的一些介绍以及LMDeploy的一些相关实践。

2024-04-16 16:37:14 1095

原创【InternLM 实战营第二期笔记3】“茴香豆“:零代码搭建你的 RAG 智能助理

本文主要为关于RAG的笔记以及一些practice。

2024-04-11 00:26:19 959

原创【InternLM 实战营第二期笔记2】轻松玩转书生·浦语大模型趣味 Demo

本笔记主要对这几个demo进行了练习，记录了重点内容

2024-04-02 21:25:38 502

原创【InternLM 实战营第二期笔记1】书生·浦语大模型全链路开源体系+InternLM2技术报告

本文主要为笔记心得，具体分成两个部分：1. 基于书生·浦语大模型全链路开源开放体系-B站视频做的笔记2. 读InternLM2技术报告做的笔记

2024-03-31 18:50:52 1038

原创 PINN(Physics-informed Neural Networks)之入门

PINN(Physics-informed Neural Networks)之入门主要从high-level的角度先引入物理模拟主要是要做一件什么事，然后深入浅出地更进一步解释了PINN文章具体的情况。

2024-02-25 23:00:07 1440 7

原创简单初识 Material Point Method（MPM）

简单初识 Material Point Method（MPM）：先介绍了Lagrangian和Eulerian，并简单介绍了MPM Method

2024-02-22 21:31:51 1956

原创学会如何手推卷积！

本文章主要进行了一维卷积和二维卷积的代码实现，并且简单介绍了什么是卷积！

2024-02-08 18:03:13 990

原创 Human Pose Estimation 入门

Human Pose Estimation入门（主要介绍内容是3D形态重建）

2023-11-10 10:59:55 216

原创【经验贴】服务器（终端）下载 Google Drive 上面的数据

【经验贴】之前一直是从Google Drive上先把数据下载到本地，再上传到Linux，那么能否直接在linux上下载Google Drive上面的数据呢？

2023-06-29 16:19:32 1316

原创【经验贴】vscode远程服务器上安装插件超级慢，怎么办？

【经验贴】vscode远程服务器上安装插件超级慢，怎么办？

2023-05-19 15:10:38 5258 2

原创 GNN在生化任务上的工程实现学习笔记

本文主要是关于Graph Neural Network 图神经网络在化学和生物学任务上的应用的一些关于PyTorch的一些工程实践- 主要围绕PyG- 接下来粗浅的介绍一下RDKit欢迎大家的批评与指正！

2022-08-27 08:38:55 1644

原创 NLP一些杂七杂八的小知识

一些杂七杂八的小知识

2022-05-11 18:07:44 299

原创 fftw3.3.8的安装与编译

FFTW ( the Faster Fourier Transform in the West) 是一个快速计算离散傅里叶变换的标准C语言程序集，其由MIT的M.Frigo 和S. Johnson 开发。可计算一维或多维实和复数据以及任意规模的DFT。一个用C语言编写、支持一维和多维变换、支持任意大小输入、支持实数和复数的数字傅里叶变换软件库安装1.从官网（http://fftw.org/index.html）【外网，可能要架VPN】下载源码压缩包 fftw-3.3.8.tar.gz2. ..

2022-03-19 16:54:30 17745 3

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

ALE.code CSDN认证博客专家 CSDN认证企业博客

码龄5年

IP 属地：法国

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

16: 原创

110万+: 周排名

12万+: 总排名

3万+: 访问

: 等级

335: 积分

103: 粉丝

148: 获赞

12: 评论

207: 收藏

私信

关注

热门文章

分类专栏

CG 2篇
nlp 8篇
CV 2篇
GNN 1篇
Linux 1篇

最新评论

PINN(Physics-informed Neural Networks)之入门
ALE.code: 感谢你详细的提问！虽然我对驰模型不太熟悉，但我会根据我对PINN的一些理解来进行回答，如果有不是很正确的地方，请随时指正！ 1. PINN 的基本概念 Physics-Informed Neural Networks (PINNs) 是一种将物理学中的偏微分方程（PDEs）引入深度学习模型的框架。在典型的 PINN 框架中，神经网络不仅仅是为了拟合数据，而是要满足某些物理约束。这些物理约束通常通过损失函数中的额外项（如偏微分方程的残差）来表达。 2. 关于显式方程的理解你提到的显式方程a=(v0-v1)/2 实际上是一个直接的代数关系，而不是 PDE。如果你的模型是基于这种显式方程来构建的，那么从技术上来说，它并不需要通过 PINN 框架中的 PDE 约束来学习，因为它本身就是一个解析解。PINN 的优势在于解决涉及偏微分方程的复杂问题，而你的问题似乎更多是关于代数方程的显式表达。 3. 关于你提到的参考文献你提到的参考文献，从你的描述来看，似乎并未采用典型 PINN 框架的全部方法（特别是 PDE 的部分），而是更多地依赖于物理学引导的数据生成或配置方法。 - 配置数据集：如果这些论文中提到的配置数据集是在符合物理规则的基础上生成的，那么这些数据本质上已经包含了物理信息。换句话说，这些论文中使用的物理信息是通过数据的构造来嵌入的，而不是通过 PINN 框架中的 PDE 约束来嵌入的。 - 损失函数：这些论文选择通过真实数据和生成数据的误差加权求和来作为损失函数的设计，这与 PINN 中将 PDE 残差直接作为损失的一部分的做法确实不同。可以理解为这些研究在特定应用中做了一些简化或调整，以适应问题的实际情况。你对这些文献的理解是有道理的。它们在问题具体需求下调整了PINN的做法。物理信息的引入方式应依据具体问题进行调整，PINN并非必须应用于所有涉及物理信息的深度学习问题，特别是在显式或简单物理方程下，直接利用这些方程可能更有效。总之，你可以根据具体问题，结合PINN的核心思想，选择最合适的方法处理物理约束。如果你有更多问题或需要详细讨论，请随时联系！
PINN(Physics-informed Neural Networks)之入门
龙骑之舞: 感谢您的解答。我在上一次中的表述不清楚，使您产生了误解。我本职是做跟驰模型的，它的方程是一个显式方程。我用一个显式方程来表达a=(v0-v1)/2，实际方程肯定比这个难，但依然是一个显式方程。在我的理解中PINN网络需要对a关于v0和v1求偏导，两个偏导之和等于0之类来生成一个PDE方程。这个PDE方程式限制梯度变化的。但是在我参考的相关论文中完全没有这一步。这些论文把PDE方程的损失剔除出PINN框架。构建了一个新的随机采样空间，称呼是配置数据集。通过a=(v0-v1)/2和配置数据集生成对应的输出。最后损失变成了真实数据集的误差和训练数据集误差的加权和。我仔细分析了几遍无法理解这几篇参考的论文其本质与生成虚拟数据间的区别。我接触PINN就是因为A physics-informed deep learning paradigm for car-following models这篇论文，但跟您多次探讨之后我觉得这篇论文并没有实现PINN框架，它没有使用PINN框架下的PDE部分，物理信息是人造数据集，然后添加进训练集中。我参考的几篇论文还有A physics-informed Transformer model for vehicle trajectory prediction on highways，这些在我的领域中都是顶刊，但其设计的模型却完全不符合PINN框架的基本逻辑。不知道我对您的教导和参考论文的理解是否正确。
PINN(Physics-informed Neural Networks)之入门
ALE.code: F=ma是从High-level抽象出来来更好地理解PINN，一般情况比如例子中的Continuous time models，或者Specific Example中的流体模拟，他们的PDE方程完全显示的表达出来可能很复杂，那么这就可以使用data-driven solutions of partial differential equations（所以可能您看的一些文献中更多的是侧重在如何使用data-driven, i.e. neural network方式来更好地解决PDE）
PINN(Physics-informed Neural Networks)之入门
龙骑之舞: 非常感谢您这么耐心的回复。我现在有点明白PINN框架的意思了。数据驱动方面提供了基础的约束。对预测结果求梯度再结合PDE方程提供了新的约束。这两个合在一起才是PINN框架生效的基础。我还是用您给我的例子来表达，不考虑太难的。我就认为目标方程的真解是F=ma，网络输入就是m和a，输出是F，那这个就是一个线性方程。这个时候对∂_F^2/∂_m^2=0, ∂_F^2/∂_a^2=0,这两个都可以被认为是PDE方程，但我好像没办法把这两个结合起来，或者F=∂_F/∂_m *∂_F/∂_a 。我想咨询一下您，这种理解是正确的吗？如果这么理解是正确的，那我最近阅读并参考的文献可能是完全错误的。在这些文献中完全没有出现PDE方程，只是生成了配置数据空间来计算损失。这种做法使我困惑了非常长的时间，我无法区分这种做法和生成虚假数据的区别。期待您的回复，感谢。
PINN(Physics-informed Neural Networks)之入门
ALE.code: 您好，非常感谢您的提问。在PINN网络中，当目标函数是显式方程时，理解如何将其转换为适用的PDE形式确实是一个挑战。关于配置数据集生成新数据空间的方式，实际上是为了在模型训练过程中引入物理约束。这种方法通过生成数据并利用显式方程计算输出，再与网络输出求loss，可以提高模型的准确性和可靠性。关于collocation points，这是PINN方法中的关键概念。collocation points是训练过程中施加物理约束的离散点集。在这些点上，我们希望网络的输出能够满足物理定律。简而言之，这些点就是网络要满足的约束条件的位置。关于如何将一个显式方程整理成PDE，我添加了Sec.Other Info（您可以refer这个部分）希望这些解释能够帮助您更好地理解PINN网络中的这些概念。如有进一步问题，欢迎随时讨论~

最新文章

提示

确定要删除当前文章？

取消删除