文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

PR

小问题,全程线上修改...

一键搞定!

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述,以帮助我们快速定位问题。

mindearth.cell.GraphCastNet

查看源文件
class mindearth.cell.GraphCastNet(vg_in_channels, vg_out_channels, vm_in_channels, em_in_channels, eg2m_in_channels, em2g_in_channels, latent_dims, processing_steps, g2m_src_idx, g2m_dst_idx, m2m_src_idx, m2m_dst_idx, m2g_src_idx, m2g_dst_idx, mesh_node_feats, mesh_edge_feats, g2m_edge_feats, m2g_edge_feats, per_variable_level_mean, per_variable_level_std, recompute=False)[源代码]

GraphCast 基于一种新颖的基于图神经网络的高分辨率多尺度网格表示自回归模型。 有关更多详细信息,请参考论文 GraphCast: Learning skillful medium-range global weather forecasting

参数:
  • vg_in_channels (int) - grid网格节点输入尺寸。

  • vg_out_channels (int) - 网格节点输出尺寸。

  • vm_in_channels (int) - mesh网格节点输入尺寸。

  • em_in_channels (int) - 网格边缘尺寸。

  • eg2m_in_channels (int) - grid网格到mesh网格边缘尺寸。

  • em2g_in_channels (int) - mesh网格到grid网格边缘尺寸。

  • latent_dims (int) - 隐藏层的dim数量。

  • processing_steps (int) - 处理的步骤数。

  • g2m_src_idx (Tensor) - grid网格到mesh网格边的源节点索引。

  • g2m_dst_idx (Tensor) - grid网格到mesh网格边的目标节点索引。

  • m2m_src_idx (Tensor) - mesh网格源节点到mesh网格边的索引。

  • m2m_dst_idx (Tensor) - mesh网格到mesh网格边的目标节点索引。

  • m2g_src_idx (Tensor) - mesh网格到grid网格边的源节点索引。

  • m2g_dst_idx (Tensor) - mesh网格到grid网格边的目标节点索引。

  • mesh_node_feats (Tensor) - 网格节点的特征。

  • mesh_edge_feats (Tensor) - 网格边缘的特征。

  • g2m_edge_feats (Tensor) - grid网格到mesh网格边的特征。

  • m2g_edge_feats (Tensor) - mesh网格到grid网格边的特征。

  • per_variable_level_mean (Tensor) - 每个变量特定尺度的平均值。

  • per_variable_level_std (Tensor) - 每个变量特定尺度的方差。

  • recompute (bool, optional) - 设置是否重计算。 默认值: False

输入:
  • input (Tensor) - shape为 (batch_size,height_sizewidth_size,feature_size) 的Tensor。

输出:

Tensor,Graphcast网络的输出。

  • output (Tensor) - shape为 (height_sizewidth_size,feature_size) 的Tensor。

支持平台:

Ascend GPU

样例:

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import context, Tensor
>>> from mindearth.cell.graphcast.graphcastnet import GraphCastNet
>>>
>>> mesh_node_num = 2562
>>> grid_node_num = 32768
>>> mesh_edge_num = 20460
>>> g2m_edge_num = 50184
>>> m2g_edge_num = 98304
>>> vm_in_channels = 3
>>> em_in_channels = 4
>>> eg2m_in_channels = 4
>>> em2g_in_channels = 4
>>> feature_num = 69
>>> g2m_src_idx = Tensor(np.random.randint(0, grid_node_num, size=[g2m_edge_num]), ms.int32)
>>> g2m_dst_idx = Tensor(np.random.randint(0, mesh_node_num, size=[g2m_edge_num]), ms.int32)
>>> m2m_src_idx = Tensor(np.random.randint(0, mesh_node_num, size=[mesh_edge_num]), ms.int32)
>>> m2m_dst_idx = Tensor(np.random.randint(0, mesh_node_num, size=[mesh_edge_num]), ms.int32)
>>> m2g_src_idx = Tensor(np.random.randint(0, mesh_node_num, size=[m2g_edge_num]), ms.int32)
>>> m2g_dst_idx = Tensor(np.random.randint(0, grid_node_num, size=[m2g_edge_num]), ms.int32)
>>> mesh_node_feats = Tensor(np.random.rand(mesh_node_num, vm_in_channels).astype(np.float32), ms.float32)
>>> mesh_edge_feats = Tensor(np.random.rand(mesh_edge_num, em_in_channels).astype(np.float32), ms.float32)
>>> g2m_edge_feats = Tensor(np.random.rand(g2m_edge_num, eg2m_in_channels).astype(np.float32), ms.float32)
>>> m2g_edge_feats = Tensor(np.random.rand(m2g_edge_num, em2g_in_channels).astype(np.float32), ms.float32)
>>> per_variable_level_mean = Tensor(np.random.rand(feature_num,).astype(np.float32), ms.float32)
>>> per_variable_level_std = Tensor(np.random.rand(feature_num,).astype(np.float32), ms.float32)
>>> grid_node_feats = Tensor(np.random.rand(grid_node_num, feature_num).astype(np.float32), ms.float32)
>>> graphcast_model = GraphCastNet(vg_in_channels=feature_num,
>>>                                vg_out_channels=feature_num,
>>>                                vm_in_channels=vm_in_channels,
>>>                                em_in_channels=em_in_channels,
>>>                                eg2m_in_channels=eg2m_in_channels,
>>>                                em2g_in_channels=em2g_in_channels,
>>>                                latent_dims=512,
>>>                                processing_steps=4,
>>>                                g2m_src_idx=g2m_src_idx,
>>>                                g2m_dst_idx=g2m_dst_idx,
>>>                                m2m_src_idx=m2m_src_idx,
>>>                                m2m_dst_idx=m2m_dst_idx,
>>>                                m2g_src_idx=m2g_src_idx,
>>>                                m2g_dst_idx=m2g_dst_idx,
>>>                                mesh_node_feats=mesh_node_feats,
>>>                                mesh_edge_feats=mesh_edge_feats,
>>>                                g2m_edge_feats=g2m_edge_feats,
>>>                                m2g_edge_feats=m2g_edge_feats,
>>>                                per_variable_level_mean=per_variable_level_mean,
>>>                                per_variable_level_std=per_variable_level_std)
>>> out = graphcast_model(Tensor(grid_node_feats, ms.float32))
>>> print(out.shape)
(32768, 69))