waitingwinter-CSDN博客

原创 python plt.fill_between

N = 21x = np.linspace(0, 10, 11)y = [3.9, 4.4, 10.8, 10.3, 11.2, 13.1, 14.1, 9.9, 13.9, 15.1, 12.5]# fit a linear curve an estimate its y-values and their error.a, b = np.polyfit(x, y, deg=1)y_est = a * x + by_err = x.std() * np.sqrt(1/len(x) + .

2022-05-09 22:14:26 1171

原创 python 纵坐标 log 网格

import numpy as npfrom matplotlib import pyplot as pltx = np.arange(0, 100, 0.5)y = 2 * x ** 3plt.loglog(x, y)plt.grid(True, which='both', ls='--')plt.figure()plt.plot(x, y)plt.yscale('log')plt.grid(True, which='both', ls='--')plt.figure()plt.p.

2022-04-06 22:26:44 2404

原创 python torch.gather函数

以下为看到的gather最通俗易懂的解释https://medium.com/analytics-vidhya/understanding-torch-gather-function-in-pytorch-f90db58b3c51

2021-12-25 09:58:37 590

原创 python从离散的分布中采样

假设我们现在要从一个分布$p(x)$ 中采样，但我们只知道 $p$ 的数值解(比如 $p$ 是某个非线性 fokker-planck 方程的数值解)，我们可以利用python 的numpy 来从中采样import numpy as npelements = [1.1, 2.2, 3.3]probabilities = [0.2, 0.5, 0.3]np.random.choice(elements, num, p=probabilities)其中 elements 是离散分布的空间坐标,

2021-12-01 23:08:01 2397

原创 Python 画 L-shape 区域的热图

from matplotlib import pyplot as pltfrom mpl_toolkits.axes_grid1 import make_axes_locatableimport numpy as npx1 = np.arange(-1, 0, 0.01)x2 = np.arange(-1, 1, 0.01)x3 = np.arange(0, 1, 0.01)xs1, ys1 = np.meshgrid(x1, x2)xs2, ys2 = np.meshgrid(x3, x1

2021-01-05 10:52:32 712

原创传统的不确定性量化数值方法

本节首先介绍了随机系统参数独立化的内容，之后为了处理无穷多的随机变量，引入了 Karhunen-Loeve 展开来处理模型降维问题，最后介绍了三中基本的数值方法：MonteCarlo Sampling , Moment equation method 和 Perturbation Method。

2020-12-16 20:52:35 2634 2

原创 latex大斜杠，除号

在 Latex 中，我们不满足于这样的除号解决此问题便是要设置任意大的定界符（除号是定界符的一种）最简单的方式为\bigg/结果为复杂的方式便是在 /begin{document} 之间加入\makeatletter\newcommand{\biggg}{\bBigg@{1.2}} \def\bigggl{\mathopen\biggg}\def\bigggm{\mathrel\biggg}\def\bigggr{\mathclose\biggg}\m

2020-11-21 22:33:48 21277

原创不确定性量化（Uncertainty Quantification）：前言

生活中有很多不确定的事情，如何用一个有效的模型和有效的算法来量化这些不确定性，便是我们要考虑的问题。大体上来说，我们可以将不确定性分为两类：Aleatory uncertainty 和 epistemic uncertainty。前者指的便是自然界中的某些随机性，比方说 x∼U(0,1)x\sim U(0,1)x∼U(0,1) 是一个随机变量，每次取值都不一样，又称为偶然不确定性；后者指的是模型的不确定性，比方说我们假设 x∼U(0,1)x\sim U(0,1)x∼U(0,1), 但事实

2020-10-27 20:29:54 10273 1

原创 (七)、Fealpy 中的 PDE接口与实例

这一节，我们来介绍一下 Fealpy 中的PDE接口。打开 fealpy/fealpy/pde, 你可以看到大量的pde接口：fealpy/example 中有很多求解的例子，基本涵盖了 pde solver 等的东西，如下图：因为作者的文档写的很清楚了，故我这里只举一个例子来简单介绍一下：混合边界条件的poisson 方程求解混合边界条件的方程如下：# 构造一个二维有真解的例子，用 p 次有限元来求解，画出误差阶，输出误差表格# -\Delta u + 3 u = f, in

2020-10-25 20:06:37 797

原创 (六)、Fealpy 组装刚度（质量）矩阵和载荷向量

给定一个单纯形网格 T\mathcal{T}T, 其有 NNNNNN 个节点， NCNCNC 个单元。定义在 T\mathcal{T}T 的分片 ppp 次连续有限元空间 VhV_hVh 有 gdofgdofgdof 个基函数，其组成的函数的行向量为：ϕ=[ϕ0,ϕ1,⋯ ,ϕgdof−1],\phi=[\phi_0,\phi_1,\cdots,\phi_{gdof-1}],ϕ=[ϕ0,ϕ1,⋯,ϕgdof−1],限制在每个网格单元 τ\tauτ 上，共有 ldofldofldof 个基函

2020-10-25 18:01:28 1996

原创 (五)、Fealpy 矩阵的组装2

这一节，我们来介绍一下有限元相关的知识。我们以 Poisson 方程为例：注意我们的测试函数 uuu 在 ΓD\Gamma_DΓD 上是 0。于是我们可以给出离散的代数系统接下来我们来分析边界条件，若只有 Dirichlet 边界条件，则有离散代数系统中的形式知 R=0,bN=bR=0,Au=b.R=0, b_N=b_R=0, Au=b.R=0,bN=bR=0,Au=b. 将 uuu 进行向量分解u=uI(内部自由度)+uD(边界自由度)，u=u_I(内部自由度)+u_D(边界自

2020-10-25 15:34:58 464

原创（三）、Fealpy 创建有限元空间

这一讲，我们来介绍 Fealpy 中的有限元空间。 Fealpy 中实现了几种常用的有限元空间，比如拉格朗日有限元空间，缩放多项式空间等。首先我们从 Functionspace 中引入 LagrangeFiniteElementSpace, 当然也要引入之前异界介绍的网格工厂（Meshfactory）:import numpy as npfrom fealpy.mesh import MeshFactoryfrom fealpy.functionspace import LagrangeFini

2020-10-25 12:11:34 1137

原创（二）、 Fealpy 重心坐标导数的计算

我们先给出三角形单元的中心坐标公式对应的代码为：import numpy as npfrom fealpy.mesh import MeshFactorymf = MeshFactory()box = [0, 1, 0, 1]mesh = mf.boxmesh2d(box, nx=1, ny=1, meshtype='tri')NC = mesh.number_of_cells()node = mesh.entity('node')cell = mesh.entity('cell')

2020-10-24 19:48:36 512

原创 (四)、Fealpy 矩阵组装细节1

在介绍具体的细节之前，我们先来介绍 numpy 的两个函数以及稀疏矩阵的存储np.add.atindices = np.array([0, 0, 1, 5, 3], dtype=np.int_)a = np.zeros(6, dtype=np.float64)data = np.array([4.5, 3.5, 2.0, 1.0, 1.5])np.add.at(a, indices, data)print('a:' , a)add at 的命令是将data放在指定indices的位置上。

2020-10-24 17:45:55 565 1

原创 (一)、Fealpy 创建各种各样的网格

Fealpy 库中实现了一个类 mesh 用于网格生成, 我们先介绍规则的网格（默认大家已经完成 fealpy 的安装，见前言）首先引入一些库：import numpy as npimport matplotlib.pyplot as pltfrom fealpy.mesh import QuadrangleMeshfrom fealpy.mesh import HalfEdgeMesh2d, PolygonMeshfrom fealpy.mesh import TriangleMeshfr

2020-10-23 15:00:56 1540 1

原创 Python 调用 fealpy 来求解常见有限元程序（前言）

Fealpy 是湘潭大学魏华祎老师开发的用来求解有限元的库，其中设置了多种网格（三角网格，矩形网格，多边形网格），多种有限元空间（Lagrange有限元空间，缩放多项式空间等），自适应方法等。本系列是笔者听完魏老师在天元数学东北中心开设的暑期短课，以及自身对有限元程序的需求之下写的一些回忆总结性片段，一来用于记录，二来方便与各位朋友交流。相关的参考链接有：Fealpy的安装教程(魏老师主页)Fealpy2020暑期课程...

2020-10-22 08:45:56 1530

原创 Python 作图之横纵坐标刻度

import numpy as npfrom matplotlib import pyplot as pltx = np.arange(0, 10)fig = plt.figure()plt.plot(x, color='black', linestyle='dashed', label='x', marker='*')plt.legend()# 更改横坐标刻度# plt.xticks([0,1,2,3,4,5,6,7,8,9], [0, 10, 20, 30, 40, 50, 60, 70,

2020-10-10 22:40:48 5010

原创 Multi-fidelity DNNs : 多精度深度神经网络

这篇文章介绍一种用来拟合多精度数据的神经网络。在科学计算中，低精度的数据往往是廉价的、大量的；高精度数据则不同，他们是昂贵的、少量的，所以如何充分利用不同精度的数据来得到更加 precise 的结果便是一个需要解决的问题。这里我们利用神经网络给出了一个回答。基本思想想法很简单。假定 {xi,yi}i=1Nl\{x_i,y_i\}_{i=1}^{N_l}{xi,yi}i=1Nl 是我们有的低精度数据，其中 xix_ixi 是输入变量， yiy_iyi 是预测变量； {xi,yi}i=Nl+1

2020-09-09 15:53:45 5532 10

原创 RKHS:再生希尔伯特空间简介

RKHS的定义Def1(Evaluation function) 令 H\mathcal{H}H 是一个 Hilbert 空间，X\mathcal{X}X 是一个非空集合， f:X→Rf:\mathcal{X}\to \mathbb{R}f:X→R 是定义在 H\mathcal{H}H 上的线性泛函。对于任意的 x∈X,x\in \mathcal{X},x∈X, 定义映射 δx:H→R,\delta_x: \mathcal{H}\to\mathbb{R},δx:H→R, δx:f↦f(x)\delt

2020-08-28 23:46:09 877

原创均匀B样条性质及证明

B-样条函数在理论和应用中均扮演重要角色. 即使从纯粹数学角度看, B-样条函数也有其自身的魅力. B-样条函数的定义有多种, 以下我们将主要介绍几种：截断幂插商定义向后差分算子为Δf(x)=f(x)−f(x−1),Δnf(x)=Δn−1Δf(x).\Delta f(x)=f(x)-f(x-1),\quad \Delta^n f(x) = \Delta^{n-1}\Delta f(x).Δf(x)=f(x)−f(x−1),Δnf(x)=Δn−1Δf(x).那么 mmm 阶 B-样条定义为Bm(x)=1

2020-08-11 11:21:59 1074

原创用全连接神经网络解决Letter Recognition分类任务（Python）

首先，我们要下载Letter Recognition数据。 Letter Recognition 是字符识别任务，有20000个数据，每个数据17维，其中有一维是给定标签（26个英文字母）。我们首先下载Letter Recognition 数据集，见http://archive.ics.uci.edu/ml/machine-learning-databases/letter-recognition/点击data 下载。其次，我们要用python 加载数据，我们用pandas的read_csv来加载

2020-06-11 16:34:05 2762 3

原创用PCA,LDA,KNN对MNIST数据集分类（Python）

主成分分析对于高维空间中xxx, 我们寻求线性变换，y=WTx,where x∈Rn,W∈Rm×d,y∈Rd,d<m.y=W^Tx,\quad where \; x\in \mathbb{R}^n,W\in \mathbb{R}^{m\times d},y\in\mathbb{R}^d,d<m.y=WTx,wherex∈Rn,W∈Rm×d,y∈Rd,d<m.我们采用可重构性观点，即样本到此超平面的距离都足够近。\假设投影变换是正交变换，设样本点 xix_ixi 在新坐标系下的

2020-06-11 16:15:54 4245 6

原创 Data driven governing equations approximations using DNN

本文内容源自DATA DRIVEN GOVERNING EQUATIONS APPROXIMATIONUSING DEEP NEURAL NETWORKS。他的通讯作者为 ProfDONGBIN XIU，印象中好像是 JCP 的Associate Editors。我们提供了一个使用观察数据和深度神经网络来近似未知控制方程的数值框架。特别是，我们建议使用残差网络（ResNet）作为方程式逼近的基本构建块。我们证明，ResNet块可以被视为一种在时间积分中精确的单步方法。然后，我们提出了两种多步...

2020-06-02 09:55:09 614 1

原创 PhaseDNN: 采用相位技术与神经网络来求解高频波问题

大概从18年开始，许志钦老师写了一系列有关DeepLearning 与Frequency有关的文章，里面讲述了深度学习与傅里叶变换之间的关系，具体可以参见许志钦老师的主页（现在在交大工作） https://ins.sjtu.edu.cn/people/xuzhiqin/今天，我们介绍一篇与之相关的文章，题目为:A PHASE SHIFT DEEP NEURAL NETWORK FOR HIGH FREQUENCY APPROXIMATION AND WAVE PROBLEMS. 文章的作者是 So

2020-05-30 20:19:21 1367

空空如也

怎样将pdf 转化为一个链接呢？