首先先介绍一下knn的基本原理：KNN是通过计算不同特征值之间的距离进行分类。整体的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN算法要解决的核心问题是K值选择，
转载
2024-03-06 13:04:46
79阅读
上篇文章，我们来简单聊了下CNN卷积神经网络，在这篇文章中，我将用TensorFlow来创建一个对Mnist数据集分类的模型。我是在Anaconda下的Jupyter Notebook运行的。1. 不用卷积神经网络import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import in
转载
2023-07-08 11:18:03
1088阅读
本系列将分为 8 篇 。今天是第二篇 。主要讲讲 TensorFlow 框架的特点和此系列笔记中涉及到的入门概念 。1.Tensor 、Flow 、Session 、GraphsTensorFlow 从单词上可以分成 Tensor 和 Flow 两个单词 。Tensor 即张量 ，表明了其数据结构 ；Flow 翻译可理解为流 ，直观的表达了张量之间通过计算相互转化的过程 ；还有一个很重要的概念 S
2018年9月17日笔记tensorflow是谷歌google的深度学习框架，tensor中文叫做张量，flow叫做流。 DNN是deep neural network的简称，中文叫做深层神经网络，有时也叫做多层感知机（Multi-Layer perceptron,MLP）。 从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层。 如下图示例，一般来说第一层是输入
之前安装了tensorflow2.4版本，但是因为和1.x的部分代码不兼容，卸载了2.4版本，重新安装了1.14版本，但是安装错误ImportError: No module named tensorflow，发现是tensorflow1.14和之前装的CUDA11.0版本不对应，卸载了2.x再装1.x
转载
2024-07-20 19:59:07
135阅读
下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch框架实现求解一维Poisson方程。1.PINN简介神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，基于深度学习的偏微分方程求解已是研究新热点。内
前几年神经网络很火，相信大家对神经网络都有一定的了解。而图神经网络是直接在图上进行计算，整个计算的过程，沿着图的结构进行，这样处理的好处是能够很好的保留图的结构信息。而能够对结构信息进行学习，正是图神经网络的能力所在。下面我们就来看看图神经网络为什么强大？图神经网络的应用场景自然非常多样。笔者在这里选择一部分应用场景为大家做简要的介绍，更多的还是期待我们共同发现和探索。1. 计算机视觉在计算机视觉
转载
2023-10-04 14:40:49
361阅读
如何实现神经网络PINN代码
作为一名经验丰富的开发者，我将会向你介绍如何实现神经网络PINN（Physics-Informed Neural Networks）代码。首先，我会列出整个实现流程的步骤，并详细说明每一步需要做什么以及所需的代码。
### 实现流程
| 步骤 | 描述 |
|------|--------------------|
| 1 | 数
原创
2024-03-06 03:45:22
1350阅读
什么是物理信息神经网络(PINN)？ 宋家豪, 曹文博, and 张伟伟. "FD-PINN: 频域物理信息神经网络." 力学学报 55.5 (2023)
原创
2023-12-18 15:01:03
2049阅读
物理信息神经网络（Physics-Informed Neural Networks, PINN）与时间序列异常检测的联系主要体现在其通过结合物理规律与数据驱动方法，提升对复杂时序动态建模的能力，从而增强异常检测的鲁棒性和可解释性。以下是具体联系和应用场景：1. 物理规律的整合与异常判据核心思想：若时间序列数据由某种已知或可假设的物理过程生成（如流体动力学、热力学、机械振动等），PINN可将控制这些
# 实现“PINN 神经网络 MATLAB入门”教程
## 操作流程
首先，我们来看一下整个操作流程，可以使用以下表格展示：
```mermaid
gantt
title PINN神经网络MATLAB入门教程操作流程
dateFormat YYYY-MM-DD
section 教程步骤
学习理论知识 :done, 2022-01-01, 1d
原创
2024-03-27 07:53:07
2230阅读
# 教你实现 “Python PINN”（Physics-Informed Neural Networks）
在这篇文章中，我们将指导你如何使用Python构建一个基于物理知识的神经网络（PINN），以解决一些物理问题。以下是我们要遵循的步骤流程表：
| 步骤 | 描述 |
|------|-----|
| 1 | 安装必要的库 |
| 2 | 定义神经网络模型 |
| 3
量化就是将神经网络的浮点算法转换为定点。量化有若干相似的术语。低精度（Low precision）可能是最通用的概念。常规精度一般使用 FP32（32位浮点，单精度）存储模型权重；低精度则表示 FP16（半精度浮点），INT8（8位的定点整数）等等数值格式。不过目前低精度往往指代 INT8。量化一般指 INT8 。不过，根据存储一个权重元素所需的位数，还可以包括：
二值神经网络：在运行时权重和激活
转载
2023-09-15 21:42:01
348阅读
下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于自适应激活函数的PINN求解框架利用Pytorch实现求解含时间项的一维burger方程逆问题。1.PINN简介神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，
转载
2023-10-16 22:50:20
2764阅读
本博客主要分为两部分： 1、PINN模型论文解读 2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程
转载
2023-08-09 20:23:49
2454阅读
tensorflow中的损失函数介绍本文参考借鉴了：损失函数loss大大总结，地址： 并参考官方文档整理而成。一. 分类损失函数1.二分类交叉熵损失sigmoid_cross_entropy：Aliases:tf.losses.sigmoid_cross_entropy(…)： 使用tf.nn.sigmoid_cross_entropy_with_logits创建交叉熵loss.tf.losses
转载
2024-03-18 08:33:41
249阅读
文章目录（一）前言（二）物理神经网络（PINN）解读1. PINN基本背景2. 算法描述3. PINN文章解读3.1 连续时间模型3.2 离散时间模型3.3 论文结果展示4. 总结 （一）前言 最近正在看利用“深度学习”解方程（大概吧，其实只是利用了neural network的自动微分特性（AD）），在看一些文章的同时，将文章中提到的开源代码用起来和复现一些基本方程求解能够加快我学习的进度，
1、python之禅The Zen of Python, by Tim PetersBeautiful is better than ugly.Explicit is better than implicit.Simple is better than complex.Complex is better than complicated.Flat is better than nested.Spa
写在前面这个系列博客会具体讲讲怎么用tensorflow去搭建网络，其中一些细节例如如何加载数据集、需要哪些包可以参考我的其他博客。以此，来增加自己的编程能力。也会解读一些keras源码等一、神经网络中有哪些层点我从连接方式来说：全连接Dense、Conv2D、Conv2DTranspose、RNN等主要的功能层：BN层，激活函数层、Input层，Lambda层、Dropout层、Flatten层
转载
2024-08-11 20:21:17
0阅读
optimizer是在训练中，运用到的训练方法，最常用的是梯度下降法，去寻找最优loss，tf中常见的optimizer有：通过Dr.Sebastian Ruder 的论文An overview of gradient descent optimization algorithms来详细了解一些优化器的选择。论文地址：https://arxiv.org/pdf/1609.04747.pdf1. 首
转载
2023-08-08 15:21:00
304阅读
