求解微分方程的深度学习库
DeepXDE的Python项目详细描述
深度xde_
OpthXDE是一个深度学习库,用于求解TensorFlow上的微分方程。
如果需要一个深学习库
,请使用DeXxDE- 解偏微分方程(PDE),
- 求解积分微分方程(IDE),
- 求解分数阶偏微分方程(fpdes),
- 解微分方程的反问题,
- 从有/无约束的数据集近似函数,
deepxde可扩展用于解决科学机器学习中的其他问题。
文档:ReadTheDocs
deepxde纸张:arXiv
功能
deepxde支持
- 没有暴政网格生成的复杂域几何。原始几何体有区间、三角形、矩形、多边形、圆盘、长方体和球体。其他几何图形可以使用三个布尔操作构造为构造性实体几何图形(CSG):并集、差分和交集;
- 多物理,即耦合pde;
- 4种边界条件:dirichlet、neumann、robin和periodic;
- 与时间无关的偏微分方程一样,只需添加初始条件即可轻松求解;
- 基于残差的自适应求精(RAR);
- 不确定度量化使用dropout;
- 两种类型的神经网络:全连接神经网络和残差神经网络;
- 许多不同的损失、度量、优化器、学习率计划、初始化、规则化等;
- 有用的技术,如退出和批处理规范化;
- 回调以在培训期间监视模型的内部状态和统计信息;
- 使用户代码紧凑,类似于数学公式。
deepxde的所有组件都是松耦合的,因此deepxde具有良好的结构和高度可配置性。很容易定制deepxde以满足新的需求。
安装
deepxde需要安装TensorFlow。 然后,您可以安装deepxde本身。
- 使用
pip
: 安装稳定版本
$ pip install deepxde
- 使用
conda
: 安装稳定版本
$ conda install -c conda-forge deepxde
- 对于开发人员,应该将文件夹克隆到本地计算机,并将其与项目脚本一起放置。
$ git clone https://github.com/lululxvi/deepxde.git
引用deepxde
如果您使用deepxde进行学术研究,我们鼓励您引用以下论文:
@article{lu2019deepxde,
author = {Lu, Lu and Meng, Xuhui and Mao, Zhiping and Karniadakis, George E.},
title = {{DeepXDE}: A deep learning library for solving differential equations},
journal = {arXiv preprint arXiv:1907.04502},
year = {2019}
}
为什么是这个标志?
科学机器学习与深度学习的艺术在于设计损失。
许可证
apache许可证2.0