sciai.architecture.PDENet

class sciai.architecture.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)

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 height 、 width 、 channels 、 kernel_size 或 max_order 不是int。

• TypeError - 如果 periodic 、 enable_moment 、 if_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 sciai.architecture.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)