devito

Devito: Perhitungan Stensil Cepat dari Spesifikasi Simbolik

Devito adalah paket Python untuk mengimplementasikan komputasi stensil yang dioptimalkan (misalnya, perbedaan terbatas, pemrosesan gambar, pembelajaran mesin) dari definisi masalah simbolik tingkat tinggi. Devito dibangun di atas SymPy dan menggunakan pembuatan kode otomatis dan kompilasi just-in-time untuk mengeksekusi kernel komputasi yang dioptimalkan pada beberapa platform komputer, termasuk CPU, GPU, dan clusternya.

• Tentang Devito
• Instalasi
• Sumber daya
• FAQ
• Pertunjukan
• Hubungi kami
• Buku catatan jupyter interaktif

Tentang Devito

Devito menyediakan bahasa fungsional untuk mengimplementasikan operator canggih yang dapat terdiri dari beberapa perhitungan stensil, kondisi batas, operasi renggang (misalnya interpolasi), dan banyak lagi. Kasus penggunaan yang umum adalah metode beda hingga eksplisit untuk memperkirakan persamaan diferensial parsial. Misalnya, operator difusi 2D dapat diimplementasikan dengan Devito sebagai berikut

 >> > grid = Grid ( shape = ( 10 , 10 ))
>> > f = TimeFunction ( name = 'f' , grid = grid , space_order = 2 )
>> > eqn = Eq ( f . dt , 0.5 * f . laplace )
>> > op = Operator ( Eq ( f . forward , solve ( eqn , f . forward )))

Operator menghasilkan kode tingkat rendah dari kumpulan Eq yang diurutkan (contoh di atas adalah untuk persamaan tunggal). Kode ini juga dapat dikompilasi dan dieksekusi

 >> > op ( t = timesteps , dt = dt )

Kompleksitas Operator hampir tidak ada batasnya -- compiler Devito akan secara otomatis menganalisis input, mendeteksi dan menerapkan optimasi (termasuk paralelisme node tunggal dan multi-node), dan pada akhirnya menghasilkan kode dengan loop dan ekspresi yang sesuai.

Fitur utama meliputi:

• Bahasa fungsional untuk mengekspresikan operator perbedaan hingga.
• Mekanisme langsung untuk menyesuaikan diskritisasi.
• Dibangun untuk mengekspresikan operator renggang (misalnya interpolasi), operator linier klasik (misalnya konvolusi), dan kontraksi tensor.
• Dukungan yang lancar untuk kondisi batas dan operator yang berdekatan.
• API fleksibel untuk menentukan stensil khusus, sub-domain, sub-sampling, dan grid terhuyung-huyung.
• Pembuatan kode paralel yang sangat optimal (vektorisasi SIMD, paralelisme CPU dan GPU melalui OpenMP dan OpenACC, paralelisme multi-node melalui MPI, pemblokiran, transformasi simbolik agresif untuk pengurangan FLOP, dll.).
• Array NumPy terdistribusi melalui dekomposisi domain multi-node (MPI).
• Inspeksi dan penyesuaian kode yang dihasilkan.
• Kerangka kerja penyetelan otomatis untuk memudahkan penyetelan kinerja.
• Integrasi yang lancar dengan paket Python populer seperti NumPy, SymPy, Dask, dan SciPy, serta framework machine learning seperti TensorFlow dan PyTorch.

Instalasi

Cara termudah untuk mencoba Devito adalah melalui Docker menggunakan perintah berikut:

 # get the code
git clone https://github.com/devitocodes/devito.git
cd devito

# start a jupyter notebook server on port 8888
docker-compose up devito

Setelah menjalankan perintah terakhir di atas, terminal akan menampilkan URL seperti https://127.0.0.1:8888/?token=XXX . Salin-tempel URL ini ke jendela browser untuk memulai sesi buku catatan Jupyter tempat Anda dapat mengikuti tutorial yang disediakan dengan Devito atau membuat buku catatan Anda sendiri.

Lihat di sini untuk petunjuk instalasi terperinci dan opsi lainnya. Jika Anda mengalami masalah saat instalasi, silakan lihat masalah instalasi yang pernah kita lihat sebelumnya.

Sumber daya

Untuk mempelajari cara menggunakan Devito, berikut adalah tempat yang baik untuk memulai, dengan banyak contoh dan tutorial.

Situs web ini juga menyediakan akses ke informasi lain, termasuk dokumentasi dan instruksi untuk mengutip kami.

Beberapa FAQ dibahas di sini.

Pertunjukan

Jika Anda tertarik pada salah satu hal berikut ini

• Pembuatan kode paralel (CPU, GPU, multi-node melalui MPI);
• Penyetelan kinerja;
• Operator pembandingan;

maka Anda harus melihat README ini.

Hubungi kami

Jika Anda menggunakan Devito, kami ingin mendengar pendapat Anda. Apakah Anda menghadapi masalah atau hanya mencobanya, bergabunglah dalam percakapan.

Buku catatan jupyter interaktif

Tutorial jupyter notebook tersedia secara interaktif di public binder jupyterhub.