ดาวน์โหลด PhiFlow - ดาวน์โหลดซอร์สโค้ด PhiFlow

PhiFlow

ซอร์สโค้ดอื่น ๆ

3.1.0

ดาวน์โหลด

φ _Flow เป็นชุดเครื่องมือจำลองโอเพนซอร์ซที่สร้างขึ้นเพื่อการเพิ่มประสิทธิภาพและแอพพลิเคชั่นการเรียนรู้ของเครื่อง มันถูกเขียนเป็นส่วนใหญ่ใน Python และสามารถใช้กับ numpy, pytorch, jax หรือ tensorflow การบูรณาการอย่างใกล้ชิดกับกรอบการเรียนรู้ของเครื่องเหล่านี้ช่วยให้สามารถใช้ประโยชน์จากฟังก์ชั่นการสร้างความแตกต่างอัตโนมัติของพวกเขาทำให้ง่ายต่อการสร้างฟังก์ชั่นที่แตกต่างจากต้นจนจบซึ่งเกี่ยวข้องกับทั้งแบบจำลองการเรียนรู้และการจำลองฟิสิกส์

ตัวอย่าง

กริด


โลโก้ของเหลว	กระแสปลุก	โพรง	เทย์เลอร์สีเขียว

ควันขนนก	ขอบเขตตัวแปร	การจำลองแบบขนาน	การเคลื่อนย้ายอุปสรรค

แถบหมุน	ของเหลวหลายกริด	Kolmogorov ที่มีลำดับสูงกว่า	การไหลของความร้อน

สมการเบอร์เกอร์	การตอบโต้	คลื่น	Julia Set

ตาข่าย


ย้อนกลับก้าวเข้าสู่ขั้นตอน	การไหลของความร้อน	การก่อสร้างตาข่าย	กระแสปลุก

อนุภาค


SPH	พลิก	เพรียวลม	ภูมิประเทศ

แรงโน้มถ่วง	บิลเลียด	เชือก

การเพิ่มประสิทธิภาพและเครือข่าย


การไล่ระดับสี	เพิ่มประสิทธิภาพการโยน	เรียนรู้ที่จะโยน	PIV

ปิดการบรรจุ	การเรียนรู้φ (x, y)	ความดันที่แตกต่างกัน

การติดตั้ง

การติดตั้งด้วย PIP บน Python 3.6 ขึ้นไป:

$ pip install phiflow

ติดตั้ง pytorch, tensorflow หรือ JAX นอกเหนือจากφ _flow เพื่อเปิดใช้งานความสามารถในการเรียนรู้ของเครื่องและการดำเนินการ GPU ในการเปิดใช้งานเว็บ UI ให้ติดตั้งเส้นประด้วย สำหรับประสิทธิภาพ GPU ที่ดีที่สุดคุณอาจรวบรวมผู้ให้บริการ CUDA ที่กำหนดเองดูคำแนะนำการติดตั้งโดยละเอียด

คุณสามารถตรวจสอบการติดตั้งของคุณโดยใช้งาน

$ python3 -c " import phi; phi.verify() "

สิ่งนี้จะตรวจสอบการติดตั้ง Pytorch, Jax และ Tensorflow เช่นกัน

คุณสมบัติ

การบูรณาการอย่างแน่นหนากับ Pytorch, Jax และ Tensorflow สำหรับการฝึกอบรมเครือข่ายประสาทที่ตรงไปตรงมาพร้อมกับการจำลองที่แตกต่างกันอย่างเต็มที่ซึ่งสามารถทำงานบน GPU
การดำเนินการ PDE ในตัวโดยมุ่งเน้นไปที่ปรากฏการณ์ของเหลวช่วยให้สามารถกำหนดสูตรการจำลองที่กระชับได้
เว็บอินเตอร์เฟสที่ยืดหยุ่นและใช้งานง่ายซึ่งมีการสร้างภาพข้อมูลสดและการควบคุมแบบโต้ตอบที่อาจส่งผลกระทบต่อการจำลองหรือการฝึกอบรมเครือข่ายทันที
การออกแบบที่เน้นวัตถุ, เวกเตอร์สำหรับรหัสการแสดงออก, ความสะดวกในการใช้งาน, ความยืดหยุ่นและความสามารถในการขยาย
รหัสจำลองที่นำมาใช้ซ้ำได้โดยไม่ขึ้นกับแบ็กเอนด์และมิติมิติเช่นรหัสเดียวกันที่แน่นอนสามารถเรียกใช้ซิมของเหลว 2D โดยใช้ Numpy และซิมของเหลว 3 มิติบน GPU โดยใช้ tensorflow หรือ pytorch
ตัวแก้สมการเชิงเส้นระดับสูงพร้อมการสร้างเมทริกซ์เบาบางอัตโนมัติ

เอกสารและบทช่วยสอน

ภาพรวมเอกสาร • ▶ YouTube แบบฝึกหัด • API • การสาธิต • สนามเด็กเล่น

φ-flow สร้างบนฟังก์ชันเทนเซอร์จากφ _ml เพื่อให้เข้าใจว่าφ _flow ทำงานอย่างไรให้ตรวจสอบมิติที่ชื่อและพิมพ์ก่อน

เริ่มต้น

คำแนะนำการติดตั้ง
เทนเซอร์
ของเหลว
ตำราอาหาร

ฟิสิกส์

ของเหลวที่ใช้กริด
แผนการสั่งซื้อที่สูงขึ้น

ทุ่งนา

ภาพรวม
กริด
รูปแบบ i/o & ฉาก

เรขาคณิต

ภาพรวม
ฟิลด์ระยะทางที่ลงนาม
ความสูง

เทนเซอร์

วิดีโอบทนำ
โน้ตบุ๊กบทนำ
การดำเนินการ GPU

อื่น

φ _ไหล ไปยังเครื่องปั่น
สิ่งที่ควรหลีกเลี่ยง: วิธีการให้รหัสของคุณเข้ากันได้กับ Pytorch, Tensorflow และ Jax
การสร้างภาพข้อมูลมรดกและ Dash & Console
ภาพรวมฟิสิกส์มรดก

- การอ้างอิง

กรุณาใช้การอ้างอิงต่อไปนี้:

 @inproceedings{holl2024phiflow,
  title={${Phi}_{text{Flow}}$ ({PhiFlow}): Differentiable Simulations for PyTorch, TensorFlow and Jax},
  author={Holl, Philipp and Thuerey, Nils},
  booktitle={International Conference on Machine Learning},
  year={2024},
  organization={PMLR}
}

สิ่งพิมพ์

เราจะอัปโหลดกระดาษสีขาวเร็ว ๆ นี้ ในระหว่างนี้โปรดอ้างอิงกระดาษ ICLR 2020

เรียนรู้ที่จะควบคุม PDEs ด้วยฟิสิกส์ที่แตกต่างกัน, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020
Solver-in-the-Loop: การเรียนรู้จากฟิสิกส์ที่แตกต่างกันเพื่อโต้ตอบกับ PDE-Solvers วนซ้ำ, Kiwon UM, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuey , Neurips 2020
φ _{การไหล} : กรอบการแก้ปัญหา PDE ที่แตกต่างกันสำหรับการเรียนรู้อย่างลึกซึ้งผ่านการจำลองทางกายภาพ, Nils Thuerey, Kiwon UM, Philipp Holl , Diffcvgp Workshop ที่ Neurips 2020
การเรียนรู้เชิงลึกที่ใช้ฟิสิกส์ (Book), Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , การประชุมเชิงปฏิบัติการ DiffcVGP ที่ Neurips 2020
การไล่ระดับสีครึ่งทางสำหรับการเรียนรู้เชิงลึก Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022
การเรียนรู้ที่ไม่แปรปรวนโดยการผกผันฟิสิกส์, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neurips 2022