文件名称：差分ODE求解器的PyTorch实现-python
文件大小：8.09MB
文件格式：ZIP
更新时间：2024-07-08 12:10:24
机器学习
具有完全GPU支持和O（1） - 内存反向传播的可区分ODE求解器 可微 ODE 求解器的 PyTorch 实现该库提供了在 PyTorch 中实现的常微分方程 (ODE) 求解器。 使用伴随方法支持通过所有求解器进行反向传播。 有关 ODE 求解器在深度学习应用程序中的使用，请参阅 [1]。 由于求解器是在 PyTorch 中实现的，因此该存储库中的算法完全支持在 GPU 上运行。 安装 git clone https://github.com/rtqichen/torchdiffeq.git cd torchdiffeq pip install -e 。 示例示例放置在示例目录中。 我们鼓励那些对使用这个库感兴趣的人查看 examples/ode_demo.py 以了解如何使用 torchdiffeq 来拟合一个简单的螺旋 ODE。 基本用法 该库提供了一个主接口 odeint，其中包含用于解决初始值问题 (IVP) 的通用算法，并为所有主要参数实现了梯度。 初始值问题由 ODE 和初始值 dy/dt = f(t, y) y(t_0) = y_0 组成。 OD
【文件预览】：
torchdiffeq-master
----FAQ.md(5KB)
----FURTHER_DOCUMENTATION.md(5KB)
----torchdiffeq()
--------_impl()
--------__init__.py(114B)
----examples()
--------bouncing_ball.py(6KB)
--------cnf.py(10KB)
--------odenet_mnist.py(12KB)
--------latent_ode.py(12KB)
--------README.md(3KB)
--------ode_demo.py(6KB)
----LICENSE(1KB)
----assets()
--------cnf_demo.gif(7.37MB)
--------resnet_0_viz.png(74KB)
--------odenet_0_viz.png(121KB)
--------bouncing_ball.png(44KB)
--------ode_demo.gif(444KB)
----setup.py(979B)
----README.md(7KB)
----tests()
--------problems.py(3KB)
--------norm_tests.py(13KB)
--------odeint_tests.py(10KB)
--------run_all.py(195B)
--------event_tests.py(2KB)
--------api_tests.py(2KB)
--------gradient_tests.py(6KB)
--------DETEST()
----.gitignore(72B)