TensorFlowDiffEq.jl：将TensorFlow用于科学机器学习（SciML）的物理信息神经网络

preview
共11个文件
yml：3个
md：2个
require：2个
python
tensorflow
julia
需积分: 17 2 下载量 72 浏览量 2021-02-04 14:59:49 上传 评论 收藏 8KB ZIP 举报
资源详情
资源评论
评论 收藏
Mika.w
  • 粉丝: 32
  • 资源: 4592
上传资源 快速赚钱
voice
center-task 前往需求广场，查看用户热搜

相关推荐

pdf

应用与物理学中的神经网络

In many machine learning applications, labeled data is scarce and obtaining more labels is expensive. We introduce a new approach to supervising neural networks by specifying constraints that should h
zip

SciMLTutorials.jl：使用开源软件进行科学机器学习（SciML）和高性能微分方程求解的教程

SciMLTutorials.jl：使用开源软件进行科学机器学习（SciML）和高性能微分方程求解的教程
zip

phygnn:物理学指导的神经网络（phygnn）

菌素 phygnn （fi-geon | ˈfi-jən）名词。 物理学指导的神经网络 一只稀有的神话鸟 物理学指导的神经网络的这种实现通过通用的损失项增强了传统的神经网络损失功能，该损失项可用于指导神经网络学习物理或理论约束。 phygnn使科学软件开发人员和数据科学家能够轻松地将机器学习模型集成到物理和工程应用程序中。当将纯数据驱动的机器学习模型应用于科学应用时，例如当机器学习模型产生物理上
zip

Surrogates.jl：科学机器学习（SciML）的替代模型和优化

代理人 替代模型是一种近似方法，它模仿计算上昂贵的模拟的行为。 用更多的数学术语：假设我们正在尝试优化函数f(p) ，但是f每次计算都非常昂贵。 可能是我们需要为每个点求解PDE或使用高级数值线性代数机制的情况，这通常很昂贵。 我们的想法是再开发一个替代模型g近似于f通过对从评估收集以前的数据训练f 。 代理模型的构建可以看作是一个三步过程： 样品选择 替代模型的构建 代理优化 当前所有可用的
zip

ODE.jl:用于科学机器学习（SciML）的各种基本常微分方程求解器

在Julia中实现的各种基本的常微分方程求解器。 始终强烈欢迎请求请求来修复错误，添加求解器或其他任何方法！ 项目现状 不推荐使用此项目，而推荐使用及其ODE求解器 。 该库处于“维护模式”，这意味着每个Julia版本都将对其进行升级，但未开发出有效的功能。 ODE.jl包含最初从Base迁移包时在此处移动的基本功能。 尽管测试得很差，但是至少某些功能是相当可靠的。 使用风险自负。 通用接口上的
zip

sciml:这包含了蔚蓝python流数据实验中使用的所有代码

科学 其中包含用于和的博客中描述的蔚蓝python流数据实验中使用的所有代码。 该代码已被重写为没有所有天蓝色的依赖关系，除了使用Azure Tables作为来自表Web服务的最终存储之外。 当然可以重写它以使用另一个数据库。 ＃＃数据 有四种类型 arxiv配置文件。 它们采取config_name.json的形式，其中名称可以是all4（顶层），bio（arxiv q-bio对象），comp
zip

分布式计算

分布式计算
zip

diffeqr:使用DifferentialEquations.jl和SciML科学机器学习生态系统求解R中的微分方程

diffeqr diffeqr是用于解决R中的微分方程的软件包。它利用作为其核心例程，可以高效地求解普通微分方程（ODE），随机微分方程（SDE），延迟微分方程（DDE）和微分方程。 R中的代数方程（DAE） 如果您有任何疑问，或者只是想讨论求解器/使用软件包，请随时在聊天。 对于错误报告，功能请求等，请提交问题。 安装 。 因此，要添加软件包，请使用： install.packages(
zip

DifferentialEquations.jl：用于微分方程和科学机器学习（SciML）组件的高性能求解器的多语言套件

DifferentialEquations.jl：用于微分方程和科学机器学习（SciML）组件的高性能求解器的多语言套件
zip

Sundials.jl：Julia与Sundials的接口，包括以SciML科学机器学习方式启用的非线性求解器（KINSOL），ODE（CVODE和ARKODE）和DAE（IDA）

Sundials.jl：Julia与Sundials的接口，包括以SciML科学机器学习方式启用的非线性求解器（KINSOL），ODE（CVODE和ARKODE）和DAE（IDA）
zip

DiffEqGPU.jl:用于DifferentialEquations.jl和更广泛的SciML科学机器学习生态系统的GPU加速例程

DiffEqGPU 茱莉亚（Julia） GPU CI 1.5 1.6晚 每夜 该库是DifferentialEquations.jl生态系统的组件包。 它包括在微分方程求解器中使用GPU的功能。 直接使用CuArray的方法内GPU并行性 本地Julia库（包括（但不限于）OrdinaryDiffEq，StochasticDiffEq和DelayDiffEq）与u0作为CuArray
zip

RootedTrees.jl：围绕有根树的功能的集合，可为Julia中的Runge-Kutta方法生成用于微分方程和科学机器学习（SciML）的顺序条件

RootedTrees.jl：围绕有根树的功能的集合，可为Julia中的Runge-Kutta方法生成用于微分方程和科学机器学习（SciML）的顺序条件
zip

Catalyst.jl：用于科学机器学习（SciML）的化学React网络和系统生物学接口。 开源软件中的高性能，GPU并行化和O（1）求解器

催化剂 Catalyst.jl是用于化学React网络的高性能仿真和建模的领域特定语言（DSL）。 Catalyst利用 ReactionSystem s，利用ModelingToolkit通过自动矢量化和并行性实现大规模仿真。 ReactionSystem可以用于生成基于ModelingToolkit的模型，从而可以轻松地模拟和评估质量作用ODE模型，化学兰格文SDE模型，随机化学动力学跃迁过
zip

ModelingToolkit.jl：Julia中用于自动并行化科学机器学习（SciML）的建模框架。 用于集成符号的计算机代数系统，用于物理知识的机器学习和微分方程的自动转换

ModelingToolkit.jl：Julia中用于自动并行化科学机器学习（SciML）的建模框架。 用于集成符号的计算机代数系统，用于物理知识的机器学习和微分方程的自动转换
zip

NBodySimulator.jl:带有天体物理和分子动力学等N体问题的科学机器学习（SciML）的差异化模拟器

NBodySimulator 此项目目前正在开发中。 潜在计算的实施还只是实验性的，尚未得到广泛验证。 您现在可以测试不同系统的仿真，但是要注意将来可能发生的变化。 添加包裹 为了开始模拟N个相互作用的物体的系统，有必要将NBodySimulator程序包添加到Julia中，然后开始使用它： ]add NBodySimulator using NBodySimulator 如果您迫不及待想开
zip

TensorFlow.jl, 用于TensorFlow的Julia包装器.zip

TensorFlow.jl, 用于TensorFlow的Julia包装器 TensorFlow 围绕 TensorFlow的包装器，这是一个流行的开源机器。文档 为什么使用 TensorFlow.jl？请参见在 python API上使用的优势的列表。：最近更改的内容？请参阅新
zip

SciMLBenchmarks.jl:科学机器学习（SciML）软件和微分方程求解器的基准

SciMLBenchmarks.jl拥有显示SciML科学机器学习软件生态系统基准的网页，pdf和笔记本，包括微分方程求解器的跨语言基准和参数估计方法，训练通用微分方程（以及诸如神经ODE的子集），以及更多的。 互动笔记本 要通过...
zip

MATLABDiffEq.jl：针对SciML科学机器学习生态系统的MATLAB ODE求解器通过MATLAB.jl的通用接口绑定

MATLABDiffEq.jl：针对SciML科学机器学习生态系统的MATLAB ODE求解器通过MATLAB.jl的通用接口绑定
zip

GalacticOptim.jl:针对科学机器学习（SciML）进行本地，全球以及其他方面的优化

GalacticOptim.jl GalacticOptim.jl是一个程序包，其作用域超出了您的常规全局优化程序包。 GalacticOptim.jl试图将它可以找到的所有优化包（本地和全局）整合到一个统一的Julia界面中。 这意味着，您学习一个软件包...
zip

PINNs:物理信息神经网络，对Burgers和Navier Stokes方程进行建模

人工神经网络 使用SciANN构建物理信息神经网络以对Burgers和Navier Stokes方程建模
star 5星 · 资源好评率100%
zip

DiffEqOperators.jl：线性算子，用于离散化微分方程和科学机器学习（SciML）

DiffEqOperators.jl：线性算子，用于离散化微分方程和科学机器学习（SciML）
zip

SumProductNetworks.jl：Julia中的Sum-product网络

SumProductNetworks.jl：Julia中的Sum-product网络
zip

TensorFlow.jl：TensorFlow的Julia包装器

TensorFlow.jl：TensorFlow的Julia包装器
zip

Augmentor.jl：Julia中用于机器学习的快速图像增强库

Augmentor.jl：Julia中用于机器学习的快速图像增强库
zip

SciPyDiffEq.jl：SciML科学机器学习组织的SciPy微分方程求解器的包装器

SciPyDiffEq.jl：SciML科学机器学习组织的SciPy微分方程求解器的包装器
zip

QuantumWalk.jl：QuantumWalk.jl：用于基于量子游走构建算法的程序包

QuantumWalk.jl：QuantumWalk.jl：用于基于量子游走构建算法的程序包
zip

DelayDiffEq.jl：SciML科学机器学习生态系统的延迟微分方程求解器

DelayDiffEq.jl：SciML科学机器学习生态系统的延迟微分方程求解器
zip

ExponentialUtilities.jl：SciML科学机器学习生态系统的指数积分器的效用函数

ExponentialUtilities.jl：SciML科学机器学习生态系统的指数积分器的效用函数
zip

HierarchicalAD.jl:包含用于通过分层生成模型（例如，阶梯式自动编码器）进行异常检测的源代码的存储库

HierarchicalAD.jl 一个包含用于通过分层生成模型（例如，阶梯式自动编码器）进行异常检测的源代码的存储库。 该代码库使用Julia语言和进行了可重现的科学项目，名为HierarchicalAD.jl 它是由VítŠkvára创作的。 ...