DiffSharp公司

DiffSharp:自动区分库。DiffSharp是一个功能性的自动微分(AD)库。通过在程序执行期间系统地调用初等运算符级别的微积分链规则,AD允许精确有效地计算导数。它与数值微分不同,数值微分容易产生截断和舍入误差,符号微分受表达式膨胀的影响,不能完全处理算法控制流。使用DiffSharp库,微分(梯度、Hessian、Jacobian、方向导数和无矩阵Hessian和Jacobian向量积)是使用高阶函数(即以其他函数作为参数的函数)来应用的。您的函数可以使用语言的全部表达能力,包括控制流。DiffSharp允许使用嵌套的正向和反向AD组合微分,这意味着您可以计算精确的高阶导数或内部利用微分的微分函数。有关可用操作的列表,请参见API概述页。爱尔兰国家机器研究所的机器应用是由爱尔兰国家机器研究所的一部分。DiffSharp是用F语言实现的,可以从C语言和运行在Mono、.NET Core或.NET Framework上的其他语言(针对64位平台)使用。它在Linux和Windows上进行了测试。我们正在研究与其他语言的接口/端口。


zbMATH中的参考文献(参考文献45篇文章)

显示第1到第20个结果,共45个。
按年份排序(引用)
  1. 安吉丽,安德烈;金属氧化物,Wim;Naets,Frank:多体系统模型阶数降阶到最小坐标的深度学习(2021)
  2. 博尔特,杰罗姆;保威尔斯,爱德华:保守集值场,自动微分,随机梯度方法和深度学习(2021)
  3. 库普,伊恩·D。;Tappenden,Rachael:使用二次插值模型和对齐正则基的梯度和对角Hessian近似(2021)
  4. 哈格海特,伊桑;Juanes,Ruben:SciANN:keras/tensorflow包装器,用于使用人工神经网络进行科学计算和物理信息深度学习(2021)
  5. 哈格海特,伊桑;瑞西,马齐亚尔;穆尔,阿德里安;戈麦斯,赫克托;Juanes,Ruben:固体力学中反演和替代建模的物理信息深度学习框架(2021)
  6. 伊凡纳罗,F。;马齐亚,F。;Mukhametzhanov,硕士。;谢尔盖耶夫,是的。D、 :在无穷大计算机上计算高阶Lie导数(2021)
  7. 伊扎巴拉姆,雷蒙多;埃尔南德斯·洛佩兹,旧金山;乔尔,特雷乔·桑切斯;Uh Zapata,Miguel:求解任意区域上奇异力椭圆方程的浸入式边界神经网络(2021)
  8. 鲁,鲁;孟旭辉;毛志平;Karniadakis,George Em:DeepXDE:求解微分方程的深度学习库(2021)
  9. Edouard Pauwels:非凸优化中的增量无替换抽样(2021)
  10. 拉纳德,瑞希基什;希尔,克里斯;Pathak,Jay:离散化网络:基于机器学习的Navier-Stokes方程有限体积离散化求解器(2021)
  11. 王,李;Yan,Zhenya:数据驱动的流氓波和散焦非线性薛定谔方程中的参数发现(2021)
  12. 王思凡;滕玉君;Perdikaris,巴黎:理解和减轻物理信息神经网络中的梯度流病理学(2021)
  13. 周子健;严振亚:用深度学习法求解具有(\mathcalPT)-对称调和势的对数非线性薛定谔方程的正、反问题(2021)
  14. 朱启明;刘泽良;严金辉:金属添加剂制造的机器学习:基于物理信息的神经网络预测温度和熔池流体动力学(2021)
  15. 阿拉里菲,阿卜杜勒阿齐兹;Ayed Alwadain,Ayed:用于自然语言处理的优化认知辅助机器翻译方法(2020)
  16. 邓浩;To,Albert C.:基于深度表示学习(DRL)的符合性和应力约束设计拓扑优化(2020)
  17. 阿梅亚·D·贾格塔普。;川口健二;Karniadakis,George Em:自适应激活函数加速深度和物理信息神经网络的收敛(2020)
  18. 亚美特雅。;哈拉兹米,伊桑;Karniadakis,George Em:守恒定律离散域上的保守物理信息神经网络:正问题和反问题的应用(2020)
  19. 乔,贤泰;儿子Hwijae;黄亨珠;Kim,Eun Heui:正反问题的深层神经网络方法(2020)
  20. 卡鲁穆里,莎米拉;神经病,罗希特;胆结石,髂骨;Panchal,Jitesh:使用深度神经网络的高维随机椭圆偏微分方程的无模拟器解(2020)