mindflow.cell.SNO

class mindflow.cell.SNO(in_channels, out_channels, hidden_channels=64, num_sno_layers=3, data_format='channels_first', transforms=None, kernel_size=5, num_usno_layers=0, num_unet_strides=1, activation='gelu', compute_dtype=mstype.float32)

谱神经算子（Spectral Neural Operator, SNO）基类，包含一个提升层（编码器）、多个谱变换层（谱空间的线性变换）和一个投影层（解码器）。 这是一种类似FNO的架构，但使用多项式变换（Chebyshev、Legendre等）替代傅里叶变换。 详细信息请参考谱神经算子论文 Spectral Neural Operators 。

参数：

• in_channels (int) - 输入中的通道数。

• out_channels (int) - 输出中的通道数。

• hidden_channels (int) - SNO层输入和输出的通道数。默认值： 64。

• num_sno_layers (int) - 谱层数量。默认值： 3。

• data_format (str) - 输入数据的通道顺序。默认值： channels_first。

• transforms (list(list(mindspore.Tensor))) - 沿x、y、z轴的正变换和逆多项式变换列表。结构形式为：[[transform_x, inv_transform_x], [transform_z, inv_transform_z]]。变换矩阵形状应为(n_modes, resolution)，其中n_modes为多项式变换模式数，resolution为对应方向输入的空间分辨率。逆变换矩阵形状为(resolution, n_modes)。默认值： None。

• kernel_size (int) - 指定SNO层中卷积核的高度和宽度。默认值： 5。

• num_usno_layers (int) - 带UNet跳跃连接的谱层数量。默认值： 0。

• num_unet_strides (int) - UNet跳跃连接中卷积下采样块的数量。默认值： 1。

• activation (Union[str, class]) - 激活函数，支持字符串或类形式。默认值： gelu。

• compute_dtype (dtype.Number) - 计算数据类型。默认值： mstype.float32。 可选 mstype.float32 或 mstype.float16。GPU后端推荐使用float32，Ascend后端推荐使用float16。

输入：

• x (Tensor) - shape为 $(batch\mathrm{\_}size,i{n}_{c}hannels,resolution)$ 的张量。

输出：

• shape为 $(batch\mathrm{\_}size,ou{t}_{c}hannels,resolution)$ 的张量。

异常：

• TypeError - 如果 in_channels 不是int。

• TypeError - 如果 out_channels 不是int。

• TypeError - 如果 hidden_channels 不是int。

• TypeError - 如果 num_sno_layers 不是int。

• TypeError - 如果 transforms 不是list。

• ValueError - 如果 transforms 长度不在(1, 2, 3)范围内。

• TypeError - 如果 num_usno_layers 不是int。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.common.dtype as mstype
>>> from mindflow.cell.neural_operators.sno import SNO
>>> resolution, modes = 100, 12
>>> matr = Tensor(np.random.rand(modes, resolution), mstype.float32)
>>> inv_matr = Tensor(np.random.rand(resolution, modes), mstype.float32)
>>> net = SNO(dim=2, in_channels=2, out_channels=5, transforms=[ [matr, inv_matr] * 2])
>>> x = Tensor(np.random.rand(19, 2, resolution, resolution), mstype.float32)
>>> y = net(x)
>>> print(x.shape, y.shape)
(19, 2, 100, 100) (19, 5, 100, 100)