Python俄罗斯方块可操纵卷积分类 | 稀疏辨识算法 | 微分方程神经求解器

本文主要是介绍Python俄罗斯方块可操纵卷积分类 | 稀疏辨识算法 | 微分方程神经求解器,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

🎯组卷积网络:实现循环组,可视化组动作,实现提升卷积核,MNIST 训练数据集训练组卷积网络的泛化能力 | 🎯可操控卷积网络:紧群的表征与调和分析,代码验证常规表征结果,不可约表征实现,傅里叶变换对群调和分析,实现可操控卷积网络 | 🎯深度概率模型:给定高维和结构化对单变量响应变量建模,实现分类响应模型,顺序响应模型、序列标记模型 | 🎯深度离散潜变量模型:使用FashionMNIST数据集,实现伯努利分布的乘积,实现均匀分类分布,测试先验分布,实现条件概率分布 | 🎯流生成模型 | 🎯超参数调优和多GPU编程 | 🎯贝叶斯神经网络实现 | 🎯非线性动力系统稀疏辨识算法 | 🎯偏微分方程神经网络求解器 | 🎯常微分方程神经网络求解器

🎯语言模型:Python发票合同 | 解缠注意力语言模型

🎯非线性系统:Julia和Python蛛网图轨道图庞加莱截面曲面确定性非线性系统

🍇Python俄罗斯方块可操纵卷积分类

方块,有时也被称为四块、方块,骨牌或四格,是所有已知的俄罗斯方块游戏中使用的方块。它们有七种形状,都可以旋转然后放下。方块的面积都是四个方格。在某些俄罗斯方块游戏中,它们的颜色会有所不同。四格骨牌是由四个方块组成的多格骨牌。七个单面四格骨牌分别是 I、O、T、S、Z、J 和 L。

💦使用门实现模型拟合俄罗斯方块数据集

import loggingimport torch
from torch_cluster import radius_graph
from torch_geometric.data import Data, DataLoader
from torch_scatter import scatterdef tblock():pos = [[(0, 0, 0), (0, 0, 1), (1, 0, 0), (1, 1, 0)],  [(0, 0, 0), (0, 0, 1), (1, 0, 0), (1, -1, 0)],  [(0, 0, 0), (1, 0, 0), (0, 1, 0), (1, 1, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 0, 3)],  [(0, 0, 0), (0, 0, 1), (0, 1, 0), (1, 0, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 1, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 1, 1)], [(0, 0, 0), (1, 0, 0), (1, 1, 0), (2, 1, 0)],  ]pos = torch.tensor(pos, dtype=torch.get_default_dtype())labels = torch.tensor([[+1, 0, 0, 0, 0, 0, 0],  [-1, 0, 0, 0, 0, 0, 0],  [0, 1, 0, 0, 0, 0, 0],  [0, 0, 1, 0, 0, 0, 0],  [0, 0, 0, 1, 0, 0, 0], [0, 0, 0, 0, 1, 0, 0],  [0, 0, 0, 0, 0, 1, 0],  [0, 0, 0, 0, 0, 0, 1],  ],dtype=torch.get_default_dtype(),)def mean_std(name, x) -> None:print(f"{name} \t{x.mean():.1f} ± ({x.var(0).mean().sqrt():.1f}|{x.std():.1f})")class Convolution(torch.nn.Module):def __init__(self, irreps_in, irreps_sh, irreps_out, num_neighbors) -> None:super().__init__()self.num_neighbors = num_neighborstp = FullyConnectedTensorProduct(irreps_in1=irreps_in,irreps_in2=irreps_sh,irreps_out=irreps_out,internal_weights=False,shared_weights=False,)self.fc = FullyConnectedNet([3, 256, tp.weight_numel], torch.relu)self.tp = tpself.irreps_out = self.tp.irreps_outdef forward(self, node_features, edge_src, edge_dst, edge_attr, edge_scalars) -> torch.Tensor:weight = self.fc(edge_scalars)edge_features = self.tp(node_features[edge_src], edge_attr, weight)node_features = scatter(edge_features, edge_dst, dim=0).div(self.num_neighbors**0.5)return node_featuresclass Network(torch.nn.Module):def __init__(self) -> None:super().__init__()self.num_neighbors = 3.8 self.irreps_sh = o3.Irreps.spherical_harmonics(3)irreps = self.irreps_sh# First layer with gategate = Gate("16x0e + 16x0o",[torch.relu, torch.abs], "8x0e + 8x0o + 8x0e + 8x0o",[torch.relu, torch.tanh, torch.relu, torch.tanh],  # gates (scalars)"16x1o + 16x1e",  )self.conv = Convolution(irreps, self.irreps_sh, gate.irreps_in, self.num_neighbors)self.gate = gateirreps = self.gate.irreps_out# Final layerself.final = Convolution(irreps, self.irreps_sh, "0o + 6x0e", self.num_neighbors)self.irreps_out = self.final.irreps_out

💦多项式拟合俄罗斯方块数据集

import loggingimport torch
from torch_cluster import radius_graph
from torch_geometric.data import Data, DataLoader
from torch_scatter import scatterdef tblock():pos = [[(0, 0, 0), (0, 0, 1), (1, 0, 0), (1, 1, 0)],  [(0, 0, 0), (0, 0, 1), (1, 0, 0), (1, -1, 0)],  [(0, 0, 0), (1, 0, 0), (0, 1, 0), (1, 1, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 0, 3)],  [(0, 0, 0), (0, 0, 1), (0, 1, 0), (1, 0, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 1, 0)],  [(0, 0, 0), (0, 0, 1), (0, 0, 2), (0, 1, 1)],  [(0, 0, 0), (1, 0, 0), (1, 1, 0), (2, 1, 0)],  ]pos = torch.tensor(pos, dtype=torch.get_default_dtype())labels = torch.tensor([[+1, 0, 0, 0, 0, 0, 0],  [-1, 0, 0, 0, 0, 0, 0],  [0, 1, 0, 0, 0, 0, 0],  [0, 0, 1, 0, 0, 0, 0],  [0, 0, 0, 1, 0, 0, 0], [0, 0, 0, 0, 1, 0, 0],  [0, 0, 0, 0, 0, 1, 0],  [0, 0, 0, 0, 0, 0, 1],  ],dtype=torch.get_default_dtype(),)pos = torch.einsum("zij,zaj->zai", o3.rand_matrix(len(pos)), pos)dataset = [Data(pos=pos) for pos in pos]data = next(iter(DataLoader(dataset, batch_size=len(dataset))))return data, labelsclass InvariantPolynomial(torch.nn.Module):def __init__(self) -> None:super().__init__()self.irreps_sh: o3.Irreps = o3.Irreps.spherical_harmonics(3)irreps_mid = o3.Irreps("64x0e + 24x1e + 24x1o + 16x2e + 16x2o")irreps_out = o3.Irreps("0o + 6x0e")self.tp1 = FullyConnectedTensorProduct(irreps_in1=self.irreps_sh,irreps_in2=self.irreps_sh,irreps_out=irreps_mid,)self.tp2 = FullyConnectedTensorProduct(irreps_in1=irreps_mid,irreps_in2=self.irreps_sh,irreps_out=irreps_out,)self.irreps_out = self.tp2.irreps_outdef forward(self, data) -> torch.Tensor:num_neighbors = 2  num_nodes = 4  # typical number of nodesedge_src, edge_dst = radius_graph(x=data.pos, r=1.1, batch=data.batch)  edge_vec = data.pos[edge_src] - data.pos[edge_dst]edge_sh = o3.spherical_harmonics(l=self.irreps_sh,x=edge_vec,normalize=False,  normalization="component",)node_features = scatter(edge_sh, edge_dst, dim=0).div(num_neighbors**0.5)edge_features = self.tp1(node_features[edge_src], edge_sh)node_features = scatter(edge_features, edge_dst, dim=0).div(num_neighbors**0.5)edge_features = self.tp2(node_features[edge_src], edge_sh)node_features = scatter(edge_features, edge_dst, dim=0).div(num_neighbors**0.5)return scatter(node_features, data.batch, dim=0).div(num_nodes**0.5)def main() -> None:data, labels = tetris()f = InvariantPolynomial()optim = torch.optim.Adam(f.parameters(), lr=1e-2)# == Train ==for step in range(200):pred = f(data)loss = (pred - labels).pow(2).sum()optim.zero_grad()loss.backward()optim.step()if step % 10 == 0:accuracy = pred.round().eq(labels).all(dim=1).double().mean(dim=0).item()print(f"epoch {step:5d} | loss {loss:<10.1f} | {100 * accuracy:5.1f}% accuracy")def test() -> None:data, labels = tetris()f = InvariantPolynomial()pred = f(data)loss = (pred - labels).pow(2).sum()loss.backward()rotated_data, _ = tetris()error = f(rotated_data) - f(data)assert error.abs().max() < 1e-5

👉参阅一:计算思维

👉参阅二:亚图跨际

这篇关于Python俄罗斯方块可操纵卷积分类 | 稀疏辨识算法 | 微分方程神经求解器的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1062294

相关文章

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Python实现特殊字符判断并去掉非字母和数字的特殊字符

《Python实现特殊字符判断并去掉非字母和数字的特殊字符》在Python中,可以通过多种方法来判断字符串中是否包含非字母、数字的特殊字符,并将这些特殊字符去掉,本文为大家整理了一些常用的,希望对大家... 目录1. 使用正则表达式判断字符串中是否包含特殊字符去掉字符串中的特殊字符2. 使用 str.isa

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

使用Python实现一个优雅的异步定时器

《使用Python实现一个优雅的异步定时器》在Python中实现定时器功能是一个常见需求,尤其是在需要周期性执行任务的场景下,本文给大家介绍了基于asyncio和threading模块,可扩展的异步定... 目录需求背景代码1. 单例事件循环的实现2. 事件循环的运行与关闭3. 定时器核心逻辑4. 启动与停

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp