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。图书馆由At开发ıım G公司üş 拜丁和巴拉克A。Pearlmutter主要用于机器学习的研究应用,作为他们在爱尔兰国立大学汉密尔顿研究所大脑和计算实验室工作的一部分。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36条)

显示第1到第20个结果,共36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. 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)
  3. 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)
  4. 伊凡纳罗,F。;马齐亚,F。;Mukhametzhanov,M。S、 。;谢尔盖耶夫,是的。D、 :在无穷大计算机上计算高阶Lie导数(2021)
  5. 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)
  6. 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)
  7. 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)
  8. 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)
  9. 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)
  10. 阿梅亚·D·贾格塔普。;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)
  11. 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)
  12. 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)
  13. 卡特鲁萨,亚历山德拉;多尔巴耶夫,塔尔加特;Ivan,Oseledets:多网格参数的黑盒学习(2020)
  14. 毛志平;阿梅亚·D·贾格塔普。;Karniadakis,George Em:高速流的物理信息神经网络(2020)
  15. 穆罕默德,夏克尔;罗斯卡,米哈埃拉;费格诺夫,迈克尔;Mnih,Andriy:机器学习中的蒙特卡罗梯度估计(2020)
  16. 诺曼,马修;拉金,杰弗里:提高大气动力学精度、稳健性和计算效率的整体算法方法(2020)
  17. 体育课ñ美国ñ乌里,F。;体育课ón、 R。;冈茨ález-S公司á恩切斯,D。;埃斯卡兰特·索贝尼斯,M。A、 :双重数字和自动微分,以有效计算速度和加速度(2020年)
  18. 太阳,鲁宁;高、汉;潘少武;王建勋:基于物理约束的无模拟数据的流体流动模拟(2020)
  19. 杨、刘;张东坤;Karniadakis,George Em:随机微分方程的物理信息生成对抗网络(2020)
  20. 张高普;利伯蒂尼,杰西卡M。;Seay,Steven:对比梯度下降法与自动微分法和粒子群优化技术在对比增强成像中估计肿瘤血流参数(2019年)