คำถามติดแท็ก python

ฉันอยากรู้ว่ามีวิธีที่รวดเร็วในการคำนวณระยะทางแบบยุคลิดของเวกเตอร์สองตัวใน Octave หรือไม่ ดูเหมือนว่าไม่มีฟังก์ชั่นพิเศษสำหรับสิ่งนั้นดังนั้นฉันควรใช้สูตรด้วยsqrtหรือไม่

18 octave  discretization  nonlinear-equations  newton-method  visualization  fluid-dynamics  mesh-generation  finite-element  finite-volume  optimization  algorithms  approximation  fluid-dynamics  navier-stokes  comsol  modeling  optimization  sparse-matrix  matrix  condition-number  visualization  matlab  quadrature  blas  intel-mkl  finite-element  gpu  discontinuous-galerkin  mathematica  optimization  convex-optimization  algorithms  reference-request  matlab  statistics  finite-element  numerical-analysis  petsc  molecular-dynamics  machine-learning  statistics  visualization  open-source  statistics  image-processing  visualization  python  petsc  finite-element  fluid-dynamics  stability  navier-stokes  incompressible 

อันไหนดีกว่า: FORTRAN หรือ Python และฉันเดาว่าในทั้งสองกรณีคุณต้องการ Gnuplot ฉันพูดถูกมั้ย ฉันกำลังทำงานกับเครื่อง Windows ในขณะนี้ ฉันต้องการใช้มันเพื่อหาวิธีแก้ปัญหาเชิงตัวเลขสำหรับปัญหาฟิสิกส์รวมถึงการจำลองของมอนติคาร์โลการบูรณาการเชิงตัวเลขและความแตกต่างการเปลี่ยนแปลงในระดับโมเลกุลเป็นต้น ฉันเห็นหลักสูตรเกี่ยวกับฟิสิกส์เชิงคำนวณซึ่งแนะนำทั้ง FORTRAN (77 ฉันเชื่อ) และ Python ฉันวางแผนที่จะเริ่มต้นด้วยสิ่งใดสิ่งหนึ่งและจากนั้นเรียนรู้สิ่งอื่น แต่ฉันไม่รู้ว่าการเปลี่ยนแปลงใดอาจเป็นวิธีที่ง่ายที่สุด คุณต้องการแนะนำคอมไพเลอร์ใดด้วย? คำถามพื้นฐานสำหรับฉันมาถึง: สิ่งที่ง่ายที่สุดในการเรียนรู้ซึ่งเป็นคำถามที่เร็วที่สุดซึ่งเป็นคำถามที่ใช้ง่ายที่สุดและเหนือกว่าคำถามใดที่ใช้มากที่สุด (เพื่อเปรียบเทียบ 4 ข้อนี้) และถัดจากนั้นคอมไพเลอร์ที่ใช้บ่อยที่สุด (ฟรีหรือมีค่าใช้จ่าย) ใช้งานอะไร? ฉันกำลังพิจารณาที่จะแปลงแล็ปท็อปเครื่องเก่า (Intel dual core รุ่นแรก) เป็น Linux หวังว่าจะเร็วพอ ขอบคุณมากสำหรับคำตอบจนถึงตอนนี้! คำตอบที่สอดคล้องกับสิ่งที่ฉันกำลังค้นหาคือคำตอบของ LKlevin และ SAAD ฉันรู้พื้นฐานของ C ++, Maple และฉันเป็นอาจารย์ MATLAB และ Mathematica9 เกือบจะสมบูรณ์ถ้ามันช่วยได้

17 python  fortran 

เมื่อเร็ว ๆ นี้ฉันได้ทำการเปรียบเทียบตัวแก้ปัญหาที่ไม่ใช่เชิงเส้นที่แตกต่างจาก scipyและรู้สึกประทับใจเป็นพิเศษกับตัวอย่างของNewton-Krylov ใน Scipy Cookbookซึ่งพวกเขาแก้สมการเชิงอนุพันธ์อันดับสองกับคำที่ไม่เป็นเชิงเส้นในโค้ดประมาณ 20 บรรทัด ฉันแก้ไขโค้ดตัวอย่างเพื่อแก้สมการปัวซองที่ไม่ใช่เชิงเส้น ( เรียกอีกอย่างว่าสมการปัวซอง - โบลซ์มันน์ดูหน้า 17 ในบันทึกเหล่านี้) สำหรับเซมิคอนดักเตอร์ heterostructures ซึ่งมีรูปแบบ d2φdx2- k ( x ) ( p ( x , ϕ ) - n ( x , ϕ ) + N+( x ) ) = 0d2φdx2-k(x)(พี(x,φ)-n(x,φ)+ยังไม่มีข้อความ+(x))=0 \frac{d^2\phi}{dx^2} - k(x) \left(p(x,\phi) - …

16 python  nonlinear-equations  poisson  scipy 

ฉันต้องการเป็นอิสระจากซอฟต์แวร์เชิงพาณิชย์สำหรับงานทางวิทยาศาสตร์ของฉัน ฉันพบว่าการพึ่งพาแพคเกจเชิงพาณิชย์เช่น Matlab และกล่องเครื่องมือของมันไม่น่าพอใจเพราะฉันไม่รู้ว่าฉันจะสามารถเข้าถึง Matlab ในอนาคตได้หรือไม่และเพราะฉันไม่ชอบภาษา ดังนั้นฉันกำลังมองหาทางเลือก โชคดีที่ฉันใช้ภาษา Python ได้อย่างคล่องแคล่ว (และฉันชอบภาษานี้) และด้วย NumPy, SciPy, Matplotlib, Basemap และ NetCDF การอ่านและการเขียนตามปกติมันตอบสนองความต้องการส่วนใหญ่ของฉันได้ ส่วนใหญ่ - ฉันยังคงกลับไปที่ Matlab เมื่อฉันต้องการฝึกการดึงข้อมูลดาวเทียมโดยใช้ตัวรับส่งข้อมูลหลายเลเยอร์เช่นฟีดใช้เครือข่ายประสาทเทียม ไม่ผิดปกติกับซอฟต์แวร์โอเพนซอร์ซมีมากกว่าหนึ่งแพ็คเกจที่ทำเครือข่ายประสาทเทียม มากกว่าหนึ่งอย่างมาก: เมื่อไม่นานมานี้ฉันลองPyBrain "มีดทหารชาวสวิสสำหรับการสร้างเครือข่ายประสาท" แต่ฉันไม่ประสบความสำเร็จในการได้รับผลลัพธ์ที่น่าพอใจในช่วงเวลาสั้น ๆ (ทั้งเวลาพัฒนาและเวลาทำงาน) บางทีฉันอาจจะพยายามไม่มากพอหรือบางทีมันอาจจะไม่ตรงกับความต้องการของฉัน เพียงแค่ตอนนี้ผมค้นพบว่ามีเป็นแพคเกจที่เรียกว่าneurolabซึ่งดูแนวโน้ม: ที่ง่ายและมีประสิทธิภาพเครือข่ายห้องสมุดประสาทสำหรับงูหลามกับAPI เช่นโครงข่ายประสาทเทียม Toolbox (NNT) จาก MATLAB มีFFnetซึ่งเป็นโซลูชั่นการฝึกอบรมเครือข่ายนิวรัลฟีดไปข้างหน้าที่ง่ายและรวดเร็วสำหรับ python มีแบบง่าย ๆ มีพีชเป็นห้องสมุดสำหรับการคำนวณทางปัญญาและการเรียนรู้ของเครื่อง มีการเชื่อมโยง Python กับFANNซึ่งเป็นไลบรารีเครือข่ายประสาทเทียมด่วนซึ่งอธิบายว่าเป็นมาตรฐานจริงในโพสต์ StackOverflowนี้ อาจมีคนอื่น ๆ …

16 python  machine-learning 

ฉันได้เริ่มใช้ python เป็นภาษาการเขียนโปรแกรมสำหรับทำงานที่ได้รับมอบหมายทั้งหมดใน CFD ฉันมีประสบการณ์การเขียนโปรแกรมน้อยมาก ฉันมาจากภูมิหลังทางวิศวกรรมเครื่องกลและกำลังศึกษาต่อระดับสูงกว่าในสาขาวิศวกรรมการบินและอวกาศ บางครั้งด้านการคำนวณของ CFD นั้นน่าเบื่อกว่าจัดการสมการหรือทำคณิตศาสตร์ แนวทางทั่วไปที่ทำให้โปรแกรมของเราทำงานเร็วขึ้นคืออะไร ลูกเล่นอะไรที่ต้องทำสิ่งต่าง ๆ อย่างขนานกัน? จะเขียนรหัสที่ทำงานได้เร็วขึ้นได้อย่างไร ฉันจะหาแหล่งข้อมูลได้ที่ไหน (เข้าใจได้ง่ายสำหรับคนธรรมดาอย่างฉัน) ที่ตอบคำถามข้างต้น

16 algorithms  python  fluid-dynamics 

กลุ่มวิจัยของฉันมุ่งเน้นไปที่การเปลี่ยนแปลงระดับโมเลกุลซึ่งสามารถสร้างข้อมูลกิกะไบต์ได้เป็นส่วนหนึ่งของวิถีเดียวซึ่งจะต้องวิเคราะห์ ปัญหาหลายอย่างที่เราเกี่ยวข้องกับความสัมพันธ์ในชุดข้อมูลซึ่งหมายความว่าเราจำเป็นต้องติดตามข้อมูลจำนวนมากในหน่วยความจำและวิเคราะห์พวกเขามากกว่าที่จะใช้วิธีการเรียงลำดับมากขึ้น สิ่งที่ฉันอยากรู้คือกลยุทธ์ที่มีประสิทธิภาพที่สุดในการจัดการ I / O ของชุดข้อมูลขนาดใหญ่เป็นสคริปต์ ปกติแล้วเราจะใช้สคริปต์ที่ใช้ Python เพราะมันทำให้การเข้ารหัสไฟล์ I / O น้อยกว่า C หรือ Fortran แต่เมื่อเรามีบรรทัดที่ต้องประมวลผลเป็นสิบหรือร้อยล้านก็ไม่ชัดเจนว่าวิธีที่ดีที่สุดคืออะไร . เราควรพิจารณาทำส่วนไฟล์อินพุตของรหัสใน C หรือกลยุทธ์อื่นมีประโยชน์มากกว่าหรือไม่ (จะโหลดล่วงหน้าทั้งอาเรย์ลงในหน่วยความจำได้ดีกว่าชุดของการอ่านตามลำดับของ "chunks" (ลำดับเมกะไบต์) หรือไม่ หมายเหตุเพิ่มเติมบางส่วน: เรากำลังมองหาเครื่องมือการเขียนสคริปต์เป็นหลักสำหรับการโพสต์การประมวลผลมากกว่าเครื่องมือ "ออนไลน์" ดังนั้นการใช้ Python D = 16LimΔ t → ∞⟨ ( x ( t + Δ t ) - x ( t ) …

15 python  c  efficiency 

ฉันกำลังพัฒนาโค้ดขนาดใหญ่ขึ้นเพื่อทำการคำนวณค่าไอคิวของเมทริกซ์กระจัดกระจายขนาดใหญ่ในบริบทของฟิสิกส์การคำนวณ ฉันทดสอบกิจวัตรของฉันกับออสซิลลาสฮาร์มอนิกง่ายๆในมิติเดียวเนื่องจากค่าลักษณะเฉพาะนั้นเป็นที่รู้จักกันดีในเชิงวิเคราะห์ การทำเช่นนั้นและเปรียบเทียบกิจวัตรของฉันเองกับนักแก้ปัญหา inbuilt ของ SciPy ฉันได้พบกับสิ่งแปลกประหลาดที่แสดงในพล็อตด้านล่าง ที่นี่คุณสามารถดูค่าลักษณะเฉพาะที่คำนวณตัวเลข 100 ตัวแรกและค่าลักษณะเฉพาะเชิงวิเคราะห์λn ยูมλnยูม.\lambda_{num}λnλana\lambda_{ana} ประมาณค่าลักษณะเฉพาะจำนวน 40 ผลลัพธ์เชิงตัวเลขเริ่มเบี่ยงเบนจากผลการวิเคราะห์ สิ่งนี้ไม่ทำให้ฉันประหลาดใจ (ฉันจะไม่อธิบายสาเหตุที่นี่เว้นแต่จะเกิดขึ้นในการสนทนา) อย่างไรก็ตามสิ่งที่น่าแปลกใจสำหรับฉันคือeigsh ()สร้างค่าลักษณะเฉพาะที่เสื่อมโทรม (ประมาณค่าลักษณะเฉพาะจำนวน 80) เหตุใด eigsh () จึงทำตัวเช่นนั้นแม้ค่าลักษณะเฉพาะจำนวนน้อยเช่นนั้น import numpy as np from scipy.sparse.linalg import eigsh import myFunctions as myFunc import matplotlib.pyplot as plt #discretize x-axis N = 100 xmin = -10. xmax = …

15 python  sparse-matrix  numpy  eigenvalues 

มีใครบ้างที่นี่ใช้การคำนวณทางวิทยาศาสตร์ที่มีความแม่นยำสองเท่ากับ GPU รุ่นใหม่ (เช่น K20) ผ่าน Python หรือไม่? ฉันรู้ว่าเทคโนโลยีนี้กำลังพัฒนาอย่างรวดเร็ว แต่วิธีที่ดีที่สุดในการทำสิ่งนี้ในปัจจุบันคืออะไร? GPU อยู่นอกขอบเขตสำหรับห้องสมุด Python ทางวิทยาศาสตร์ที่ได้รับความนิยมจำนวนมากและ scipy และฉันต้องการใช้ theano แต่ดูเหมือนว่าจะใช้ความแม่นยำ float32 เท่านั้นสำหรับ GPU ฉันรู้ว่า Google สามารถให้ผลลัพธ์การค้นหาสำหรับ python gpu ได้ แต่ฉันหวังว่าจะได้ข้อมูลเชิงลึกมากกว่ารายการโครงการที่อาจจะใช่หรือไม่ใช่ในการพบปะกับผู้สร้าง

14 python  gpu  precision 

ฉันต้องการใช้นิพจน์ต่อไปนี้ใน Python: ที่xและyเป็นอาร์เรย์ numpy ขนาดnและkเป็นอาร์เรย์ numpy ขนาดn × n ขนาดnอาจสูงถึงประมาณ 10,000 และฟังก์ชั่นเป็นส่วนหนึ่งของลูปภายในที่จะถูกประเมินหลายครั้งดังนั้นความเร็วจึงมีความสำคัญxi=∑j=1i−1ki−j,jai−jaj,xi=∑j=1i−1ki−j,jai−jaj, x_i = \sum_{j=1}^{i-1}k_{i-j,j}a_{i-j}a_j, xxxyyynnnkkkn×nn×nn\times nnnn เป็นการดีที่ฉันต้องการหลีกเลี่ยงการวนซ้ำไปมาโดยสิ้นเชิง แต่ฉันคิดว่ามันไม่ใช่จุดจบของโลกถ้ามี ปัญหาคือฉันมีปัญหาในการดูวิธีการทำโดยไม่ต้องมีลูปซ้อนกันสองสามครั้งและมีแนวโน้มที่จะทำให้มันค่อนข้างช้า ใครสามารถดูวิธีการแสดงสมการข้างต้นโดยใช้ numpy ในวิธีที่มีประสิทธิภาพและควรอ่านด้วยหรือไม่ โดยทั่วไปแล้ววิธีที่ดีที่สุดในการเข้าถึงของประเภทนี้คืออะไร

14 python  numpy 

ฉันกำลังเขียนกระดาษที่ทำซ้ำได้และกระดาษนั้นมีผลการคำนวณที่สร้างโดยสคริปต์ Python (สคริปต์ MATLAB ที่คล้ายกันสร้างผลลัพธ์ที่เหมือนกันเกือบทั้งหมด) ฉันรู้สึกว่ากระดาษจะง่ายต่อการเข้าใจสำหรับผู้อ่านหากพวกเขาสามารถจับคู่การคำนวณในกระดาษกับการคำนวณในรหัส งานนำเสนอแบบแผนเชิงนามธรรมและตัวอย่างในกระดาษควรทำให้พิธีการนี้เป็นรูปธรรมมากขึ้นสำหรับผู้อ่าน (หลายคนจะเป็นวิศวกร) รหัสอาจเป็นบันทึกที่มีรายละเอียดมากที่สุดเกี่ยวกับวิธีการคำนวณและการทำให้ชัดเจนสามารถช่วยเราได้ในระหว่างกระบวนการตรวจสอบ ไม่มีใครมีข้อเสนอแนะเกี่ยวกับวิธีการทำให้การติดต่อระหว่างรหัสและผลลัพธ์การคำนวณ (ตัวเลข, สมการ) ชัดเจนมากขึ้น? ตัวอย่างเช่นฉันคิดว่าเมื่อมันมาถึงบรรทัดของโค้ดที่ใช้ขั้นตอนต่าง ๆ ในกระดาษฉันสามารถอ้างอิงหมายเลขสมการ (มันน่าอัศจรรย์ถ้าฉันสามารถอ้างอิงข้ามระหว่างรหัสและ LaTeX แต่การติดฉลากด้วยมือนั้นดี) และฉันสามารถเขียนฟังก์ชั่นที่สอดคล้องกับตัวอย่างและตัวเลขต่าง ๆ เช่น def example_1(): # Insert code corresponding to first example pass def figure_1(): # Insert code that generates Figure 1 pass หากรหัสมีขนาดใหญ่และฉันไม่ได้พยายามอธิบายว่าวิธีการทางคณิตศาสตร์ที่แตกต่างกันจำนวนมากที่ใช้ในงานวิศวกรรมนั้นเหมือนกันจริง ๆ ฉันอาจจะไม่รำคาญมากนักกับการทำให้รหัสชัดเจน แต่ให้ลักษณะนามธรรมของ กระดาษและฐานรหัสขนาดเล็กดูเหมือนว่าอาจมีค่าในแบบฝึกหัดนี้

14 python  software  reproducibility 

ฉันกำลังรู้สึกหงุดหงิดกับวิธีที่ matlab จัดการกับการรวมเชิงตัวเลขกับ Scipy ฉันสังเกตเห็นความแตกต่างต่อไปนี้ในรหัสทดสอบด้านล่าง: รุ่นของ Matlab ทำงานเร็วกว่างูหลามของฉันโดยเฉลี่ย24 เท่า ! เวอร์ชันของ Matlab สามารถคำนวณอินทิกรัลโดยไม่มีการเตือนขณะที่ python คืนค่า nan+nanj ฉันจะทำอะไรได้บ้างเพื่อให้แน่ใจว่าฉันจะได้รับประสิทธิภาพการทำงานเหมือนกันในงูใหญ่เทียบกับสองประเด็นที่กล่าวถึง? ตามเอกสารทั้งสองวิธีควรใช้ "การปรับพื้นที่สี่เหลี่ยมจัตุรัสส่วนกลาง" เพื่อประมาณค่าอินทิกรัล ด้านล่างเป็นรหัสในสองเวอร์ชัน (ค่อนข้างคล้ายกันแม้ว่างูใหญ่ต้องการให้มีการสร้างฟังก์ชั่นครบถ้วนเพื่อให้สามารถจัดการกับการรวมที่ซับซ้อนได้) หลาม import numpy as np from scipy import integrate import time def integral(integrand, a, b, arg): def real_func(x,arg): return np.real(integrand(x,arg)) def imag_func(x,arg): return np.imag(integrand(x,arg)) real_integral = integrate.quad(real_func, a, …

13 matlab  python  quadrature  numba 

ฉันมีปัญหาในการใช้ฟังก์ชันเป็นตัวเลข มันทนทุกข์ทรมานจากความจริงที่ว่าที่ค่าอินพุตขนาดใหญ่ผลที่ได้คือจำนวนมากครั้งจำนวนมากขนาดเล็ก ฉันไม่แน่ใจว่าการยกเลิกภัยพิบัติเป็นคำที่ถูกต้องหรือไม่ดังนั้นโปรดแก้ไขให้ถูกต้องถ้าเป็นเช่นนั้น หลักฐานของสิ่งที่ผิดพลาด: ฉันจะหลีกเลี่ยงการแกว่งและการกำหนด 0.0 สำหรับอินพุตขนาดใหญ่ 6 ได้อย่างไร นี่คือหน้าที่ของฉัน: import numpy as np def func(x): t = np.exp(-np.pi*x) return 1/t*(1-np.sqrt(1-t**2))

13 python  numerical-analysis  floating-point 

ฉันใช้วิธีที่ต่างกันในการคำนวณทั้งอันดับของเมทริกซ์และคำตอบของระบบเมทริกซ์ของสมการ ฉันเจอฟังก์ชัน linalg.svd เมื่อเปรียบเทียบกับความพยายามของฉันในการแก้ไขระบบด้วยการกำจัดแบบเกาส์เซียนดูเหมือนว่าจะเร็วขึ้นและแม่นยำยิ่งขึ้น ฉันพยายามเข้าใจว่ามันเป็นไปได้อย่างไร เท่าที่ฉันรู้ฟังก์ชั่น linalg.svd ใช้อัลกอริทึม QR เพื่อคำนวณค่าลักษณะเฉพาะของเมทริกซ์ของฉัน ฉันรู้ว่ามันใช้งานได้อย่างไรในทางคณิตศาสตร์ แต่ฉันไม่รู้ว่า Numpy สามารถจัดการได้อย่างรวดเร็วและไม่สูญเสียความแม่นยำมากนัก ดังนั้นคำถามของฉัน: ฟังก์ชั่น numpy.svd ทำงานอย่างไรและโดยเฉพาะเจาะจงมากขึ้นมันทำงานได้อย่างรวดเร็วและแม่นยำอย่างไร (เทียบกับการกำจัดแบบเกาส์เซียน)

13 linear-algebra  python  lapack 

ฉันพยายามที่จะคิดออกว่ามีวิธีที่เร็วกว่าในการคำนวณค่าลักษณะเฉพาะและ eigenvector ทั้งหมดของเมทริกซ์ adjacency ขนาดใหญ่มากและกระจัดกระจายกว่าการใช้ scipy.sparse.linalg.eigsh เท่าที่ฉันรู้วิธีการนี้ใช้เพียงการกระจายและ คุณลักษณะสมมาตรของเมทริกซ์ เมทริกซ์คำวิเศษณ์เป็นเลขฐานสองสิ่งที่ทำให้ฉันคิดว่ามีวิธีที่เร็วกว่าที่จะทำ ฉันสร้างเมทริกซ์ adjacency แบบสุ่มขนาด 1000x1000 และเปรียบเทียบระหว่างหลายวิธีในแล็ปท็อป x230 ubuntu 13.04 ของฉัน: scipy.sparse.linalg.eigs: 0.65 วินาที scipy.sparse.linalg.eigsh: 0.44 วินาที scipy.linalg.eig: 6.09 วินาที scipy.linalg.eigh: 1.60 วินาที ด้วยการกระจัดกระจาย eigs และ eigsh ฉันตั้ง k จำนวนค่าลักษณะเฉพาะและ eigenvectors ที่ต้องการให้เป็นอันดับของเมทริกซ์ ปัญหาเริ่มต้นด้วยเมทริกซ์ที่ใหญ่กว่า - บนเมทริกซ์ 9000x9000 ใช้เวลา scipy.sparse.linalg.eigsh 45 นาที!

12 linear-algebra  python  performance  eigensystem  scipy 

ฉันต้องการแก้ไข s.t.minx∥Ax−b∥22,∑ixi=1,xi≥0,∀i.minx‖Ax−b‖22,s.t.∑ixi=1,xi≥0,∀i.\begin{alignat}{1} & \min_{x}\|Ax - b\|^2_{2}, \\ \mathrm{s.t.} & \quad\sum_{i}x_{i} = 1, \\ & \quad x_{i} \geq 0, \quad \forall{i}. \end{alignat} ฉันคิดว่ามันเป็นปัญหากำลังสองซึ่งควรแก้ไขด้วยCVXOPTแต่ฉันไม่สามารถหาวิธีได้

12 optimization  python  convex-optimization  least-squares  quadratic-programming