TensorFlow 不仅用于机器学习,还能模拟偏微分方程

  • A+
所属分类:人工智能
广告也精彩

TensorFlow 不仅仅可以用于机器学习。在此教程中,我们所举的例子(较为寻常)是使用 TensorFlow 模拟偏微分方程的行为(https://en.wikipedia.org/wiki/Partial_differential_equation)。我们将模拟几个雨滴落在方形池塘水面的情形。

基本设置

需要导入一些库。

#Import libraries for simulation

import tensorflow as tf

import numpy as np

#Imports for visualization

import PIL.Image

from io import BytesIO

from IPython.display import clear_output, Image, display

将池塘水面的状态显示为图像的函数。

def DisplayArray(a, fmt='jpeg', rng=[0,1]):

"""Display an array as a picture."""

a = (a - rng[0])/float(rng[1] - rng[0])*255

a = np.uint8(np.clip(a, 0, 255))

f = BytesIO()

PIL.Image.fromarray(a).save(f, fmt)

clear_output(wait = True)

display(Image(data=f.getvalue()))

接下来,我们发起一个互动式 TensorFlow 会话,以方便练习。如果我们使用可执行的 .py 文件进行模拟,则常规会话一样可行。

sess = tf.InteractiveSession()

计算便利函数

def make_kernel(a):

"""Transform a 2D array into a convolution kernel"""

a = np.asarray(a)

a = a.reshape(list(a.shape) + [1,1])

return tf.constant(a, dtype=1)

def simple_conv(x, k):

"""A simplified 2D convolution operation"""

x = tf.expand_dims(tf.expand_dims(x, 0), -1)

y = tf.nn.depthwise_conv2d(x, k, [1, 1, 1, 1], padding='SAME')

return y[0, :, :, 0]

def laplace(x):

"""Compute the 2D laplacian of an array"""

laplace_k = make_kernel([[0.5, 1.0, 0.5],

[1.0, -6., 1.0],

[0.5, 1.0, 0.5]])

return simple_conv(x, laplace_k)

定义 PDE

我们的池塘是一个完美的 500 x 500 正方形,就像自然界中的大多数池塘一样。

N = 500

接下来,我们创建池塘,并在其表面落入一些雨滴。

# Initial Conditions -- some rain drops hit a pond

# Set everything to zero

u_init = np.zeros([N, N], dtype=np.float32)

ut_init = np.zeros([N, N], dtype=np.float32)

# Some rain drops hit a pond at random points

for n in range(40):

a,b = np.random.randint(0, N, 2)

u_init[a,b] = np.random.uniform()

DisplayArray(u_init, rng=[-0.1, 0.1])

TensorFlow 不仅用于机器学习,还能模拟偏微分方程

现在,我们指定微分方程的详细信息。

# Parameters:

# eps -- time resolution

# damping -- wave damping

eps = tf.placeholder(tf.float32, shape=())

damping = tf.placeholder(tf.float32, shape=())

# Create variables for simulation state

U  = tf.Variable(u_init)

Ut = tf.Variable(ut_init)

# Discretized PDE update rules

U_ = U + eps * Ut

Ut_ = Ut + eps * (laplace(U) - damping * Ut)

# Operation to update the state

step = tf.group(

U.assign(U_),

Ut.assign(Ut_))

运行模拟

情况变得有趣起来 - 使用简单的 for 循环让其持续运行。

# Initialize state to initial conditions

tf.global_variables_initializer().run()

# Run 1000 steps of PDE

for i in range(1000):

# Step simulation

step.run({eps: 0.03, damping: 0.04})

DisplayArray(U.eval(), rng=[-0.1, 0.1])

TensorFlow 不仅用于机器学习,还能模拟偏微分方程

快看!有涟漪!

  • 微信
  • 扫一扫
  • weinxin
  • 微信公众号
  • 扫一扫
  • weinxin
广告也精彩
韩版毛衣套装裙子
迷你蓝牙音箱
一步裙
羊绒茧型大衣
广告也精彩

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: