TensorFlow 不仅用于机器学习，还能模拟偏微分方程

TensorFlow 不仅仅可以用于机器学习。在此教程中，我们所举的例子（较为寻常）是使用 TensorFlow 模拟偏微分方程的行为（https://en.wikipedia.org/wiki/Partial_differential_equation）。我们将模拟几个雨滴落在方形池塘水面的情形。

基本设置

需要导入一些库。

#Import libraries for simulation
import tensorflow as tf
import numpy as np

#Imports for visualization
import PIL.Image
from io import BytesIO
from IPython.display import clear_output, Image, display

将池塘水面的状态显示为图像的函数。

def DisplayArray(a, fmt='jpeg', rng=[0,1]):
  """Display an array as a picture."""
  a = (a - rng[0])/float(rng[1] - rng[0])*255
  a = np.uint8(np.clip(a, 0, 255))
  f = BytesIO()
  PIL.Image.fromarray(a).save(f, fmt)
  clear_output(wait = True)
  display(Image(data=f.getvalue()))

接下来，我们发起一个互动式 TensorFlow 会话，以方便练习。如果我们使用可执行的 .py 文件进行模拟，则常规会话一样可行。

sess = tf.InteractiveSession()

计算便利函数

def make_kernel(a):

  """Transform a 2D array into a convolution kernel"""
  a = np.asarray(a)
  a = a.reshape(list(a.shape) + [1,1])
  return tf.constant(a, dtype=1)

def simple_conv(x, k):
  """A simplified 2D convolution operation"""
  x = tf.expand_dims(tf.expand_dims(x, 0), -1)
  y = tf.nn.depthwise_conv2d(x, k, [1, 1, 1, 1], padding='SAME')
  return y[0, :, :, 0]

def laplace(x):
  """Compute the 2D laplacian of an array"""
  laplace_k = make_kernel([[0.5, 1.0, 0.5],
                           [1.0, -6., 1.0],
                           [0.5, 1.0, 0.5]])
  return simple_conv(x, laplace_k)

定义 PDE

我们的池塘是一个完美的 500 x 500 正方形，就像自然界中的大多数池塘一样。

N = 500

接下来，我们创建池塘，并在其表面落入一些雨滴。

# Initial Conditions -- some rain drops hit a pond

# Set everything to zero
u_init = np.zeros([N, N], dtype=np.float32)
ut_init = np.zeros([N, N], dtype=np.float32)

# Some rain drops hit a pond at random points
for n in range(40):
  a,b = np.random.randint(0, N, 2)
  u_init[a,b] = np.random.uniform()

DisplayArray(u_init, rng=[-0.1, 0.1])

现在，我们指定微分方程的详细信息。

# Parameters:

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

# Create variables for simulation state
U  = tf.Variable(u_init)
Ut = tf.Variable(ut_init)

# Discretized PDE update rules
U_ = U + eps * Ut
Ut_ = Ut + eps * (laplace(U) - damping * Ut)

# Operation to update the state
step = tf.group(
  U.assign(U_),
  Ut.assign(Ut_))

运行模拟

情况变得有趣起来 - 使用简单的 for 循环让其持续运行。

# Initialize state to initial conditions

tf.global_variables_initializer().run()

# Run 1000 steps of PDE
for i in range(1000):
  # Step simulation
  step.run({eps: 0.03, damping: 0.04})
  DisplayArray(U.eval(), rng=[-0.1, 0.1])

快看！有涟漪！

更多 AI 相关阅读：