معرفی شرکت ها

diffeqtorch-1.0.1

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
1.0.1
1.0.0
0.1.4
0.1.3
0.1.2
0.1.1
1.0.1
1.0.0
0.1.4
0.1.3
0.1.2
0.1.1

توضیحات

DifferentialEquations.jl with PyTorch.
ویژگی مقدار
سیستم عامل -
نام فایل diffeqtorch-1.0.1
نام diffeqtorch
نسخه کتابخانه 1.0.1
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Jan-Matthis Lueckmann
ایمیل نویسنده mail@jan-matthis.de
آدرس صفحه اصلی https://github.com/sbi-benchmark/diffeqtorch
آدرس اینترنتی https://pypi.org/project/diffeqtorch/
مجوز MIT
[![PyPI version](https://badge.fury.io/py/diffeqtorch.svg)](https://badge.fury.io/py/diffeqtorch) [![Contributions welcome](https://img.shields.io/badge/contributions-welcome-brightgreen.svg?style=flat)](https://github.com/sbi-benchmark/diffeqtorch/blob/master/CONTRIBUTING.md) # diffeqtorch Bridges `DifferentialEquations.jl` with PyTorch. Besides benefitting from the huge range of solvers available in `DifferentialEquations.jl`, this allows taking gradients through solvers using [local sensitivity analysis/auto-diff](https://docs.sciml.ai/stable/analysis/sensitivity/). The package has only been tested with ODE problems, and in particular, automatic differentiation is only supported for ODEs using `ForwardDiff.jl`. This can be extended in the future, [contributions are welcome](https://github.com/sbi-benchmark/diffeqtorch/blob/master/CONTRIBUTING.md). ### Examples - [Simple ODE problem to demonstrate the interface and confirm gradients with analytical solution](https://github.com/sbi-benchmark/diffeqtorch/blob/master/notebooks/01_simple_ode.ipynb) - [SIR model for a slighlty more complicated model with numerical gradient checking](https://github.com/sbi-benchmark/diffeqtorch/blob/master/notebooks/02_sir_model.ipynb) - [Hodgkin-Huxley model for a realistic example from Neuroscience](https://github.com/sbi-benchmark/diffeqtorch/blob/master/notebooks/03_hh_model.ipynb) ## Installation Prerequisites for using `diffeqtorch` are installation of Julia and Python. Note that the binary directory of `julia` needs to be in your `PATH`. Install `diffeqtorch`: ```commandline $ pip install diffeqtorch $ export JULIA_SYSIMAGE_DIFFEQTORCH="$HOME/.julia_sysimage_diffeqtorch.so" $ python -c "from diffeqtorch.install import install_and_test; install_and_test()" ``` We recommend using a custom Julia system image containing dependencies. By setting the environment variable `JULIA_SYSIMAGE_DIFFEQTORCH`, an image will be created and used automatically. This may take a while but will improve speed afterwards. ## Usage ```python from diffeqtorch import DiffEq f = """ function f(du,u,p,t) du[1] = p[1] * u[1] end """ de = DiffEq(f) u0 = torch.tensor([1.]) tspan = torch.tensor([0., 3.]) p = torch.tensor([1.01]) u, t = de(u0, tspan, p) ``` See also `help(DiffEq)` and examples provided in `notebooks/`. ## License MIT


نیازمندی

مقدار نام
- julia
- opt-einsum
- torch
- autoflake
- black
- flake8
- gitpython
- ipdb
- isort
- nbstripout
- pre-commit
- pylint
- pytest
- jupyter
- matplotlib


زبان مورد نیاز

مقدار نام
>=3.6.0, <3.9 Python


نحوه نصب


نصب پکیج whl diffeqtorch-1.0.1:

    pip install diffeqtorch-1.0.1.whl


نصب پکیج tar.gz diffeqtorch-1.0.1:

    pip install diffeqtorch-1.0.1.tar.gz