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。

提交

文档反馈

mindflow.cell.PeRCNN

class mindflow.cell.PeRCNN(dim, in_channels, hidden_channels, kernel_size, dt, nu, laplace_kernel=None, conv_layers_num=3, padding='periodic', compute_dtype=ms.float32)

物理编码循环卷积神经网络(PeRCNN)，对给定的物理结构进行强制编码，实现稀疏数据上的时空演化的学习。PeRCNN可以应用于关于PDE系统的各种问题，包括正向和反向分析、数据驱动建模和PDE的发现。 更多信息可参考论文 Encoding physics to learn reaction–diffusion processes 。 在本网络中，lazy_inline用于编译阶段的加速，但当前其仅在昇腾后端生效。 PeRCNN目前支持带两个物理结构的输入。当输入形状不同时，用户需要手动增加或移除相关的参数和pi_blocks。

参数：

• dim (int) - 输入的物理维度，二维输入的shape长度为4，三维为5，数据遵循 "NCHW" 或 "NCDHW" 格式。

• in_channels (int) - 输入空间的通道数。

• hidden_channels (int) - 并行卷积层中的输出空间的通道数。

• kernel_size (int) - 并行卷积层中的卷积核参数。

• dt (Union[int, float]) - PeRCNN的时间步。

• nu (Union[int, float]) - 扩散项的系数。

• laplace_kernel (mindspore.Tensor) - 三维下，设置核的shape为 $(\text{kernel\_size[0]},\text{kernel\_size[1]},\text{kernel\_size[2]})$ ，则shape为 $(C_{out},C_{in},\text{kernel\_size[0]},\text{kernel\_size[1]},\text{kernel\_size[1]})$ 。二维下，shape向量为 $(N,C_{in}/\text{groups},\text{kernel\_size[0]},\text{kernel\_size[1]})$ ，则核的shape为 $(\text{kernel\_size[0]},\text{kernel\_size[1]})$ 。

• conv_layers_num (int) - 并行卷积层的数量。默认值： 3。

• padding (str) - 边界填充，当前仅支持周期填充。默认值： periodic。

• compute_dtype (dtype.Number) - PeRCNN的数据类型。默认值： mindspore.float32 。支持以下数据类型： mindspore.float32 或 mindspore.float16。GPU后端建议使用float32，Ascend后端建议使用float16。

输入：

• x (Tensor) - 三维下的shape为 $(batch\mathrm{\_}size,channels,depth,height,width)$ ，二维下的shape为 $(batch\mathrm{\_}size,channels,height,width)$ 。

输出：

Tensor，与输入的shape一致。

异常：

• TypeError - 如果 dim 、 in_channels 、 hidden_channels 、 kernel_size 不是int。

• TypeError - 如果 dt 和 nu 既不是int也不是float。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindflow.cell import PeRCNN
>>> laplace_3d = [[[[[0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0],
...                 [0.0, 0.0, -0.08333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0]],
...                 [[0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0],
...                 [0.0, 0.0, 1.3333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0]],
...                 [[0.0, 0.0, -0.08333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, 1.3333333333333333, 0.0, 0.0],
...                 [-0.08333333333333333, 1.3333333333333333, -7.5, 1.3333333333333333, -0.08333333333333333],
...                 [0.0, 0.0, 1.3333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, -0.08333333333333333, 0.0, 0.0]],
...                 [[0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0],
...                 [0.0, 0.0, 1.3333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0]],
...                 [[0.0, 0.0, 0.0, 0.0, 0.0],
...                 [0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, -0.08333333333333333, 0.0, 0.0],
...                 [0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0]]]]]
>>> laplace = np.array(laplace_3d)
>>> grid_size = 48
>>> field = 100
>>> dx_3d = field / grid_size
>>> laplace_3d_kernel = ms.Tensor(1 / dx_3d**2 * laplace, dtype=ms.float32)
>>> rcnn_ms = PeRCNN(
...     dim=3,
...     in_channels=2,
...     hidden_channels=2,
...     kernel_size=1,
...     dt=0.5,
...     nu=0.274,
...     laplace_kernel=laplace_3d_kernel,
...     conv_layers_num=3,
...     compute_dtype=ms.float32,
...   )
>>> input = np.random.randn(1, 2, 48, 48, 48)
>>> input = ms.Tensor(input, ms.float32)
>>> output = rcnn_ms(input)
>>> print(output.shape)
(1, 2, 48, 48, 48)