TensorFlow 构建图表

17 Mar 2025 | 阅读 2 分钟

偏微分方程 (PDE) 是微分方程的主要类型，它涉及多个自变量的未知函数的偏导数。关于偏微分方程，我们专注于创建新的图表。

假设我们有一个尺寸为 500*500 平方米的池塘 -

N=500

现在，我们将计算偏微分方程并使用它形成相应的图表。生成下面给出的计算图表的步骤。

TensorFlow 代码中将 v1 升级到 v2 如下所示

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

步骤 1 - 首先，导入用于仿真的库。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

步骤 2 - 包含将 2D 数组转换为卷积核的函数，并简化形成图表的 2D 卷积运算。

示例

def make_kernel(a):
a = np.asarray(a)
a = a.reshape (list(a.shape) + [1,1])
return tf.constant(a, dtype=1)

def simple_conv(x, j):
""2D convolutional operation is generated below"": 
 x = tf.expand_dims(tf.expand_dims(x, 0), -1)
 y = tf.nn.depthwise_conv2d(x, j, [1, 1, 1, 1], padding = 'SAME') 
   return y[0, :, :, 0]
  def laplace(x):
"""Computing 2D laplacian of the arrays""": 
laplace_j = make_kernel ([[0.5, 1.0, 0.5], [1.0, -6., 1.0], [0.5, 1.0, 0.5]])
return simple_conv(x, laplace_j)

sess = tf.InteractiveSession()
We are going to step 3 now.

步骤 3 - 包含迭代次数并计算图表以相应地显示记录：-

N = 500

# Initial Conditions -- some raindrops hit the pond:

# Setting the zero here:
u_init = np.zeros([N, N], dtype = np.float32)
ut_init = np.zeros([N, N], dtype = np.float32)

#Few rain drops hit a pond at random points:
for n in range(100):
a,b = np.random.randint(0, N, 2)
u_init[a,b] = np.random.uniform()
plt.imshow(u_init)
plt.show()

# Parameters of Graphs
# eps -- time resolution
# damping -- wave damping
eps = tf.placeholder(tf.float32, shape = ())
damping = tf.placeholder(tf.float32, shape = ())

# Creating variable for simulation state 
U = tf.Variable(u_init)
Ut = tf.Variable(ut_init)

# Discretized PDE updated rule: 
U_ = U + eps * Ut
Ut_ = Ut + eps*(laplace(U) - damping * Ut)

# Updating the state of rules:
step =tf.group(U.assign(U_), Ut.assign(Ut_))

# Initializing state to initial conditions
tf.initialize_all_variables().run()

# Running 1000 steps of PDE and forming graph 
for i in range(1000):
# Step simulating:
step.run({eps: 0.03, damping: 0.04})
# Visualizing every 50 steps
   if i % 500 == 0:
      plt.imshow(U.eval())
      plt.show()

输出

下一个主题TensorFlow 音频识别

← 上一步下一步 →

TensorFlow 构建图表

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

TensorFlow 教程

TensorFlow 基础

TensorFlow 感知器

TensorFlow 中的 ANN

线性回归

TensorFlow 中的 CNN

TensorFlow 中的 RNN

风格迁移

TensorBoard

差异

目标检测

TensorFlow 调试

其他主题

TensorFlow 构建图表

相关帖子

Tensorflow 单 GPU 和多 GPU

Tensorflow Mobile

TensorFlow Lite 简介

Tensorflow APIs

Tensorflow 安全

TensorFlow Adam 优化器

音频识别

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器