DeepXDE 是一个用于科学计算的机器学习库，它具有以下功能：
- 通过物理信息神经网络 (PINN) 求解正向和反向偏微分方程 (PDE)，
- 通过 PINN 求解正向和逆向整数微分方程 (IDE)，
- 通过分数 PINN (fPINN) 求解正分数和反分数偏微分方程 (fPDE)，
- 通过 DeepONet 近似非线性运算器
- 通过多保真神经网络（MFNN）从多保真数据中逼近函数
- 从有/无约束的数据集中逼近函数。
DeepXDE 支持三个 Tensor 库作为后端：TensorFlow 1.x、TensorFlow 2.x 和 PyTorch。
特性
DeepXDE 已经实现了很多如上所示的算法并支持很多特性：
- 复杂领域的几何形状
- 5 种类型的边界条件 (BC)：Dirichlet、Neumann、Robin、周期性和一般 BC，可以在任意域或点集上定义。
- 不同的神经网络
- 6种采样方式
- 在训练过程中方便地保存模型，并加载一个训练好的模型
- 使用 dropout 进行不确定性量化
- 使用户代码紧凑，与数学公式非常相似。
DeepXDE 结构良好且可配置性高，可以轻松定制 DeepXDE 以满足新需求。
安装
DeepXDE 需要安装以下特定于后端的依赖项之一：
- TensorFlow 1.x：TensorFlow >=2.2.0
- TensorFlow 2.x：TensorFlow >=2.2.0 和 TensorFlow Probability
- PyTorch：PyTorch
然后就可以安装 DeepXDE 本身
- 安装稳定版本
pip：
$ pip install deepxde
- 安装稳定版本
conda：
$ conda install -c conda-forge deepxde
- 对于开发人员，应该将文件夹克隆到您的本地计算机并将其与你的项目脚本放在一起
$ git clone https://github.com/lululxvi/deepxde.git
-
1.安装anaconda 参见此篇——待补充—— 2.使用anaconda配置环境参见此篇在服务器上使用anaconda配置环境-学习笔记_NibofWar的博客-CSDN博客 笔者使用deepxde来做PINN实验 在conda 环境下 使用pip安装 deepxde 使用服务器来挂载代码， pip install deepxde 但个人实践下来报错说没有安装此包。 (11月4号更新：pip 将
-
Deepxde 安装和学习笔记系列1 1. deepxde 安装 在conda 环境下 使用pip安装 deepxde // Install deepxde pip install deepxde 或者 // Install deepxde conda install -c conda-forge deepxde 2. deepxde 使用pytorch deepxde 默认使用tensorf
-
修改deepXDE后端支持的深度学习框架： 使用环境变量：DDEBACKEND 您可以使用来指定后端：DDEBACKEND=BACKEND python pde.py $ DDEBACKEND=tensorflow.compat.v1 python pde.py $ DDEBACKEND=tensorflow python pde.py $ DDEBACKEND=pytorch python pd
-
一位电气工程师最近告诫我不要将GPU用于科学计算（例如，在精度非常重要的情况下），因为它没有像CPU那样的硬件保障。这是真的吗？如果是的话，这个问题在典型的硬件中有多普遍/多严重？
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
Python 在科学计算上的应用非常广泛，包括数学、统计学、图形学……等等， 也是科学计算领域的首选编程语言之一。 这一部分的文章主要是介绍 Python 在科学计算领域常用的库，以及科学计算在日常中可能的实际用例。 常用库介绍 IPython 和 Jupyter Notebook NumPy NumPy 是 Python 科学计算生态系统的基础，提供了多维数组操作、线性代数运算、傅立叶变换等 多
-
本文向大家介绍Python编程深度学习计算库之numpy，包括了Python编程深度学习计算库之numpy的使用技巧和注意事项，需要的朋友参考一下 NumPy是python下的计算库，被非常广泛地应用，尤其是近来的深度学习的推广。在这篇文章中，将会介绍使用numpy进行一些最为基础的计算。 NumPy vs SciPy NumPy和SciPy都可以进行运算，主要区别如下 最近比较热门的深度学习，比
-
Dive into cheap deep learning，专注于让深度学习更划算更便宜，From your IQ, your devices, and your resource，从学习智力上、装备上、资源上。
-
一面 深挖实习项目，问了算法的idea产生以及部署落地后的效果，最后问进一步改进方法 二面 第一部分考察对NeRF整个领域的了解，介绍了十多个下游领域方向代表的论文并说明优缺点；第二部分针对NeRF问我关注什么样的改进以及重点看哪方面的创新点，之后对NeRF+SDF的表面表达原理细节以及公式提问，接着问实习项目的创新点；第三部分针对他们业务中存在的问题问我有哪些方法或者建议；最后一部分简单过了鼠鼠
-
主要内容：机器学习,深度学习,机器学习与深度学习的区别,机器学习和深度学习的应用人工智能是近几年来最流行的趋势之一。机器学习和深度学习构成了人工智能。下面显示的维恩图解释了机器学习和深度学习的关系 - 机器学习 机器学习是让计算机按照设计和编程的算法行事的科学艺术。许多研究人员认为机器学习是实现人类AI的最佳方式。机器学习包括以下类型的模式 - 监督学习模式 无监督学习模式 深度学习 深度学习是机器学习的一个子领域，其中有关算法的灵感来自大脑的结构和功能，称为人工神经网络。