devito

Devito: การคำนวณลายฉลุอย่างรวดเร็วจากข้อกำหนดเชิงสัญลักษณ์

Devito เป็นแพ็คเกจ Python ที่ใช้การคำนวณลายฉลุที่ได้รับการปรับปรุง (เช่น ความแตกต่างอันจำกัด การประมวลผลภาพ การเรียนรู้ของเครื่อง) จากคำจำกัดความปัญหาเชิงสัญลักษณ์ระดับสูง Devito สร้างบน SymPy และใช้การสร้างโค้ดอัตโนมัติและการคอมไพล์แบบทันเวลาเพื่อรันเคอร์เนลการคำนวณที่ได้รับการปรับปรุงบนแพลตฟอร์มคอมพิวเตอร์หลายเครื่อง รวมถึง CPU, GPU และคลัสเตอร์ดังกล่าว

• เกี่ยวกับ เดวิโต้
• การติดตั้ง
• ทรัพยากร
• คำถามที่พบบ่อย
• ผลงาน
• สนใจติดต่อ
• สมุดบันทึก jupyter แบบโต้ตอบ

เกี่ยวกับ เดวิโต้

Devito จัดเตรียมภาษาที่ใช้งานได้เพื่อใช้ตัวดำเนินการที่ซับซ้อน ซึ่งสามารถประกอบด้วยการคำนวณลายฉลุ เงื่อนไขขอบเขต การดำเนินการแบบกระจัดกระจาย (เช่น การประมาณค่า) และอื่นๆ อีกมากมาย กรณีการใช้งานทั่วไปคือวิธีการผลต่างอันจำกัดที่ชัดเจนสำหรับการประมาณสมการเชิงอนุพันธ์บางส่วน ตัวอย่างเช่น ตัวดำเนินการแพร่กระจายแบบ 2 มิติอาจนำไปใช้กับ Devito ได้ดังต่อไปนี้

 >> > 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 สร้างโค้ดระดับต่ำจากคอลเลกชัน Eq ที่เรียงลำดับ (ตัวอย่างด้านบนใช้สำหรับสมการเดียว) รหัสนี้อาจถูกรวบรวมและดำเนินการด้วย

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

ความซับซ้อนของโอ Operator แทบไม่มีขีดจำกัด -- คอมไพเลอร์ Devito จะวิเคราะห์อินพุต ตรวจจับ และใช้การปรับให้เหมาะสม (รวมถึงการทำงานแบบขนานโหนดเดียวและหลายโหนด) โดยอัตโนมัติ และในที่สุดจะสร้างโค้ดที่มีการวนซ้ำและนิพจน์ที่เหมาะสม

คุณสมบัติที่สำคัญ ได้แก่ :

• ภาษาเชิงฟังก์ชันเพื่อแสดงตัวดำเนินการผลต่างอันจำกัด
• กลไกที่ตรงไปตรงมาในการปรับดุลยพินิจ
• โครงสร้างเพื่อแสดงตัวดำเนินการกระจัดกระจาย (เช่น การประมาณค่า) ตัวดำเนินการเชิงเส้นแบบคลาสสิก (เช่น การโน้มน้าวใจ) และการหดตัวของเทนเซอร์
• การสนับสนุนอย่างราบรื่นสำหรับเงื่อนไขขอบเขตและตัวดำเนินการที่อยู่ติดกัน
• API ที่ยืดหยุ่นเพื่อกำหนดสเตนซิล โดเมนย่อย การสุ่มตัวอย่างย่อย และกริดแบบเซที่กำหนดเอง
• การสร้างโค้ดคู่ขนานที่ได้รับการปรับปรุงประสิทธิภาพขั้นสูง (เวกเตอร์ SIMD, ความขนานของ CPU และ GPU ผ่าน OpenMP และ OpenACC, ความขนานหลายโหนดผ่าน MPI, การบล็อก, การแปลงสัญลักษณ์เชิงรุกเพื่อลด FLOP ฯลฯ)
• กระจายอาร์เรย์ NumPy บนการแบ่งแยกโดเมนแบบหลายโหนด (MPI)
• การตรวจสอบและการปรับแต่งโค้ดที่สร้างขึ้น
• กรอบการปรับแต่งอัตโนมัติเพื่อความสะดวกในการปรับแต่งประสิทธิภาพ
• บูรณาการได้อย่างราบรื่นกับแพ็คเกจ Python ยอดนิยม เช่น NumPy, SymPy, Dask และ SciPy รวมถึงเฟรมเวิร์กการเรียนรู้ของเครื่อง เช่น TensorFlow และ PyTorch

การติดตั้ง

วิธีที่ง่ายที่สุดในการลองใช้ Devito คือผ่าน Docker โดยใช้คำสั่งต่อไปนี้:

 # 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

หลังจากรันคำสั่งสุดท้ายข้างต้น เทอร์มินัลจะแสดง URL เช่น https://127.0.0.1:8888/?token=XXX คัดลอกและวาง URL นี้ลงในหน้าต่างเบราว์เซอร์เพื่อเริ่มเซสชันสมุดบันทึก Jupyter ซึ่งคุณสามารถอ่านบทช่วยสอนที่มาพร้อมกับ Devito หรือสร้างสมุดบันทึกของคุณเองได้

ดูคำแนะนำในการติดตั้งโดยละเอียดและตัวเลือกอื่นๆ ที่นี่ หากคุณพบปัญหาระหว่างการติดตั้ง โปรดดูปัญหาการติดตั้งที่เราพบในอดีต

ทรัพยากร

หากต้องการเรียนรู้วิธีใช้ Devito นี่เป็นจุดเริ่มต้นที่ดี พร้อมด้วยตัวอย่างและบทช่วยสอนมากมาย

เว็บไซต์ยังให้การเข้าถึงข้อมูลอื่น ๆ รวมถึงเอกสารและคำแนะนำในการอ้างอิงถึงเรา

คำถามที่พบบ่อยบางส่วนจะกล่าวถึงที่นี่

ผลงาน

หากคุณสนใจในเรื่องใดเรื่องหนึ่งดังต่อไปนี้

• การสร้างโค้ดแบบขนาน (CPU, GPU, มัลติโหนดผ่าน MPI)
• การปรับแต่งประสิทธิภาพ
• ตัวดำเนินการเปรียบเทียบ;

ถ้าอย่างนั้นคุณควรดู README นี้

สนใจติดต่อ

หากคุณใช้ Devito เราต้องการรับฟังจากคุณ ไม่ว่าคุณกำลังเผชิญกับปัญหาหรือเพียงแค่ลองใช้งาน เข้าร่วมการสนทนาได้

สมุดบันทึก jupyter แบบโต้ตอบ

สมุดบันทึก jupyter บทช่วยสอนมีให้ใช้งานแบบโต้ตอบได้ที่ jupyterhub เครื่องผูกสาธารณะ