代码拉取完成,页面将自动刷新
电磁仿真的某些场景(如容差评估)中,目标结构可以用一组参数描述,将这些参数作为神经网络的输入可以仿真不同目标结构的散射参数。本案例介绍如何通过MindSpore Elec参数化方法仿真天线和手机的散射参数,详细信息可以参考参数化电磁仿真教程。
参数化电磁仿真模型整体网络架构如下:
网络输入为变化的参数,网络输出为各个频点下的S11参数(单端口场景下散射参数只有S11)。
.
└─parameterization
├─README.md
├─docs # README示意图
├─src
├──dataset.py # 数据集配置
├──loss.py # 损失函数
├──maxwell_model.py # 参数化电磁仿真模型
├──train.py # 训练网络
├──eval.py # 评估网络
在train.py和eval.py中可以配置训练和评估参数。
"epoch": 10000, # 训练轮数
"print_interval":1000, # 评估间隔
"batch_size": 8, # batch_size
"lr": 0.0001, # 基础学习率
"input_dim": 3, # 参数维度
"device_num": 1, # 在该设备训练
"device_target": "Ascend", # 设备名称Ascend GPU
"checkpoint_dir": './ckpt/', # checkpoint保存路径
"save_graphs_path": './graph_result/', # 计算图保存路径
"input_path": './dataset/Butterfly_antenna/data_input.npy', # 输入参数数据集路径
"label_path": './dataset/Butterfly_antenna/data_label.npy', # 输出S11数据集路径
您可以通过train.py脚本训练参数化电磁仿真模型,训练过程中模型参数会自动保存:
python train.py --input_path INPUT_PATH
--label_path LABEL_PATH
--device_num 0
--checkpoint_dir CKPT_PATH
dataset.py中设置了“create_dataset”函数内的种子,同时还使用了train.py中的随机种子。
请浏览官网主页。
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。