Learn2LearnXgXg-CSDN博客

原创 pytorch_神经网络模型搭建系列（1）：自定义神经网络模型

目录1、nn.Module——搭建属于自己的神经网络1.1、torch.nn.Module类概述1.1.1、torch.nn.Module类的简介Module类封装的方法简介设计神经网络的核心：构造函数__init__和forward方法1.2、搭建神经网络--torch.nn.Module类的不同方式应用通过nn.Sequential来包装层1.3、Module类的常见方法层的四种索引方法Module类的魔法方法——call方法1.4、谈谈系统预定义的层Linear线性层的说明Linear线性层类的源代码

2020-12-14 22:39:08 5732

原创 python之路(1)_重要函数使用

1、dataframe.applyDataFrame.apply(func, axis=0, broadcast=False, raw=False,reduce=None, args=(), **kwds)axis=0默认是处理一列数据1、这个func函数需要自己实现，函数的传入参数根据axis来定，2、比如axis = 1，就会把一行数据作为Series的数据结构传入给自己实现的函数中，我们在函数中实现对Series不同属性之间的计算，返回一个结果，3、apply函数会自动遍历每一

2020-11-27 20:25:54 433

原创机器学习笔记01--python基础部分

机器学习笔记01–python基础部分参考资料第一阶段：Python基础和数据分析1、第一课Python环境，基本类型、判断与循环流程等运行环境Anaconda本地环境搭建Jupyter notebook及云平台的使用Python基础Python简介，解释执行，与运行方式基础语法及相应帮助的使用Python标识符、关键字Python运算符判断循环语句Python基本数据类型(文本，字符串)与数据结构(列表集合, 元组, 字典)函数面向对象文件操作异常学习路线

2020-09-15 22:14:00 1296

原创 PINNs全面基准测试|20多个偏微分方程+10多种最先进方法

前言1、本号将持续更新AI4PDEs&AI4CFD相关前沿进展2、本号主推：开源、启发性的文献3、感兴趣可以关注微信公众号：AI4CFD4、持续更新中！摘要：尽管在物理信息神经网络（PINNs）上取得了重大进展，但这些方法在广泛的偏微分方程（PDEs）范围内的全面比较仍然缺失。本研究介绍了PINNacle，这是一个旨在填补这一空白的基准测试工具。PINNacle提供了一个多样化的数据集，包括来自各个领域的20多种不同PDEs，涵盖了热传导、流体动力学、生物学和电磁学等。这些PDEs包含了现

2024-04-12 12:28:27 1352 1

原创图神经网络与有限体积法|预测非稳态流体动力学

前言1、本号将持续更新AI4PDEs&AI4CFD相关前沿进展2、本号主推：开源、启发性的文献3、感兴趣可以关注微信公众号：AI4CFD4、持续更新中！单位：四川大学推文：本文约2万字（代码地址和论文pdf下载在文末）摘要：深度学习的快速发展对计算流体动力学的进步有重大意义。目前，大多数基于像素网格的深度学习方法在预测边界层流动时准确度显著降低，并且对几何形状的适应性较差。虽然基于非结构化网格的图神经网络模型在不稳定流动预测中有更好的几何形状适应性，但这些模型在长期不稳定流动预测中存在误

2024-04-11 19:44:05 673

原创 GPT4-For-SciML|使用chatgpt辅助科学计算、工程设计

前言1、本号将持续更新AI4PDEs&AI4CFD相关前沿进展2、本号主推：开源、启发性的文献3、感兴趣可以关注微信公众号：AI4CFD4、持续更新中！Title：MyCrunchGPT: A ChatGPT Assisted Framework For Scientific Machine Learning摘要：科学机器学习（SciML）最近在计算科学和工程的许多不同领域取得了进展。其目标是无缝集成数据和物理知识，而无需使用复杂且计算量大的数据同化方案。然而，预处理、问题表述、代码生成、

2024-04-11 19:23:56 606

原创 0405-AICFD进展综述

前言1、本号将持续更新AI4PDEs&AI4CFD相关前沿进展2、本号主推：开源、启发性的文献3、感兴趣可以关注微信公众号：AI4CFD4、持续更新中！摘要：在过去的十年中，深度学习（DL）作为机器学习的一个分支，经历了快速的进展。为传统上难以自动化的任务开发了强大的工具，例如图像合成和自然语言处理。在模拟流体动力学的背景下，这导致了一系列新颖的DL方法来替代或增强传统的数值求解器。我们将这些方法大致分为物理驱动和数据驱动的方法。一般来说，物理驱动方法调整DL模型以通过最小化控制偏微分方程的

2024-04-05 12:24:41 619 1

原创 Julia 1.5.3使用--Juliapro安装笔记

1、首先安装JuliaprojuliaPro集成开发环境安装安装后，然后直接打开juliaPro桌面快捷方式。第一步：安装深度学习库using PkgPkg.status()add Flux # 安装深度学习库，切换到Pkg模式进行add Metalhead # 安装依赖库add Imagesadd Statistics第二步：使用深度学习库在shell模式下：jupyter notebook进入notebook后，使用深度学习库：using Flux # 此

2021-01-24 19:22:36 1438

原创 tensorflow-gpu == 2.0.0-beta1安装说明

安装步骤说明创建环境conda create -n TF2.0 python=3.7激活环境conda activate TF2.0安装cudatoolkitconda install cudatoolkit=10.1安装cudnnconda install cudnn=7.6安装tensorflow-gpu == 2.0.0-beta1pip install tensorflow-gpu == 2.0.0-beta1 -i https://pypi.doub

2021-01-09 20:03:30 815 1

原创 pytorch_神经网络模型搭建系列（4）：自定义损失函数

目录1、自定义损失函数1.1 nn.Module和nn.Functional的区别与联系1.1.1 二者的相似之处1.1.2 二者的差别之处1.1.2.1 调用方式1.1.2.2 与nn.Sequential的结合运用1.1.2.3 参数的管理1.1.3 小结1.2 定义损失函数1.2.1 方法1：自定义类--继承nn.Module1.2.2 方法2：自定义函数1.2.3 方法3：扩展nn.autograd.function1.3 具体代码算例1.4 总结1、自定义损失函数前言:首先，回顾一下上一次的

2020-12-16 22:54:49 4117

原创 pytorch_神经网络模型搭建系列（2）：自定义神经网络层

目录1、nn.Module——搭建属于自己的神经网络1.1 回顾系统预定义的层1.1.1 最常用的Linear层1.1.2 Conv2d类的源代码1.1.3 小结1.1.4 自定义层的基本步骤1.2 简单实现-自定义层1.2.1 第一步：定义一个的层（即一个类）1.2.2 第二步：定义一个神经网络模型1.2.3 第三步：训练模型1.2.4 小结1.3 补充：model.parameters()和model.state_dict()1.3.1 model.parameters()1.3.2 model.sta

2020-12-15 20:06:01 2173 2

原创 pytorch_神经网络模型搭建系列（0)：play with pytorch

目录1、pytorch搭建模型1.1 方法1——使用numpy（入门）1.2 方法2——使用torch包的Tensor（初级）1.3 方法3——使用torch包的autograd（进阶）1.4 方法4——使用pytorch.nn模块（中级）1.5 方法5——使用torch.optim（高级）2、总结1、pytorch搭建模型神经网络的搭建本身是一个较为复杂的过程，但是现在有非常多的、非常人性化的开源框架提供给我们使用，但是即便如此，网络的搭建也是有多种方法可以选择，本文以pytorch为例子加以说明神

2020-12-15 19:51:40 336

xgxg1314的博客