代码拉取完成,页面将自动刷新
ENGLISH | 简体中文
PDE-Net是Zichao Long等人提出的一种前馈深度网络用于从数据中学习偏微分方程,同时实现了准确预测复杂系统的动力学特性和揭示潜在的PDE模型。PDE-Net的基本思想是通过学习卷积核(滤波器)来逼近微分算子,并应用神经网络或其他机器学习方法来拟合未知的非线性响应。数值实验表明,即使在噪声环境中,该模型也可以识别被观测的动力学方程,并预测相对较长时间的动态行为。更多信息可参考PDE-Net: Learning PDEs from Data。
train.py
脚本python train.py --config_file_path ./configs/pde_net.yaml --device_target Ascend --device_id 0 --mode GRAPH
其中,
--config_file_path
表示参数和路径控制文件,默认值'./configs/pde_net.yaml'
--device_target
表示使用的计算平台类型,可以选择'Ascend'或'GPU',默认值'Ascend';
--device_id
表示使用的计算卡编号,可按照实际情况填写,默认值0;
--mode
表示运行的模式,'GRAPH'表示静态图模式, 'PYNATIVE'表示动态图模式, 默认值'GRAPH';
您可以使用中文版和英文版Jupyter Notebook逐行运行训练和验证代码。
参数 | Ascend | GPU |
---|---|---|
硬件资源 | Ascend 910A, 显存32G;CPU: 2.6GHz, 192核 | NVIDIA V100 显存32G |
MindSpore版本 | 2.1 | 2.1 |
训练损失 | 0.9 | 0.6 |
验证损失 | 6e-2 | 4e-2 |
速度 | 45ms/epoch | 150ms/epoch |
gitee id:liulei277
email: liulei2770919@163.com
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。