mindflow.cell.PDENet

class mindflow.cell.PDENet(height, width, channels, kernel_size, max_order, dx=0.01, dy=0.01, dt=0.01, periodic=True, enable_moment=True, if_fronzen=False)[源代码]

PDE-Net模型。 PDE-Net是一个前馈深度网络,可同时实现两个目标:准确预测复杂的系统,并揭示底层隐藏的PDE模型。基本思想是学习微分算子通过学习卷积核(过滤器),并将神经网络或其他机器学习方法应用于 近似未知非线性响应。PDE-Net的特殊性在于,卷积核受“矩”的约束,这使得模型能够轻松地识别PDE模型,同时仍保持网络的表达能力和预测能力。 这些约束通过充分利用微分算子的阶数与卷积核的关系得到的.一个重要的概念起源于小波理论。有关更多详细信息,请参考论文 PDE-NET: LEARNING PDES FROM DATA

参数:
  • height (int) - PDE-Net输入和输出Tensor的高度。

  • width (int) - PDE-Net输入和输出Tensor的宽度。

  • channels (int) - PDE-Net输入和输出Tensor的通。

  • kernel_size (int) - 指定2D卷积内核的高度和宽度。

  • max_order (int) - PDE模型的最大顺序。

  • dx (float) - x维的空间分辨率。默认值: 0.01

  • dy (float) - y维的空间分辨率。默认值: 0.01

  • dt (float) - PDE-Net的时间步长。默认值: 0.01

  • periodic (bool) - 指定周期是否与卷积核一起使用。默认值: True

  • enable_moment (bool) - 指定卷积核是否受moment约束。默认值: True

  • if_fronzen (bool) - moment里的参数是否参与训练。默认值: False

输入:
  • input (Tensor) - shape为 \((batch\_size, channels, height, width)\) 的Tensor。

输出:

Tensor,具有与 input 相同的shape,数据类型为float32。

异常:
  • TypeError - 如果 heightwidthchannelskernel_sizemax_order 不是int。

  • TypeError - 如果 periodicenable_momentif_fronzen 不是bool。

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 import PDENet
>>> input = Tensor(np.random.rand(1, 2, 16, 16), mstype.float32)
>>> net = PDENet(16, 16, 2, 5, 3, 2)
>>> output = net(input)
>>> print(output.shape)
(1, 2, 16, 16)