#numerical-methods Repository
Scopri 39 repository GitHub open source attivi contrassegnati con #numerical-methods, che raccolgono un totale di 55,031 stelle (con una media di 1,411 stelle per progetto). Il progetto leader di questo argomento è rtqichen/torchdiffeq, con 6,437 stelle.
39 repository in totale
Solutori ODE differenziabili con supporto GPU completo e backpropagation con memoria O(1).
Apprendimento Profondo Informato dalla Fisica: Soluzioni Data-Driven e Scoperta di Equazioni Differenziali Parziali Non Lineari
Calcolo parallelo e apprendimento automatico scientifico (SciML): Metodi e applicazioni (MIT 18.337J/6.338J)
Link a lavori su algoritmi di deep learning per problemi di fisica, TUM-I15 e oltre
Una libreria PyTorch interamente dedicata alle equazioni differenziali neurali, ai modelli impliciti e ai metodi numerici correlati
Kratos Multiphysics (noto anche come Kratos) è un framework per la creazione di software di simulazione parallelo multidisciplinare. Modularità, estensibilità e HPC sono gli obiettivi principali. Kratos ha licenza BSD ed è scritto in C++ con un'ampia interfaccia Python.
visualizzazione interattiva di 5 popolari metodi di discesa del gradiente con illustrazione passo-passo e interfaccia utente per la messa a punto degli iperparametri
Esercizi aggiuntivi e dati per EE364a. Nessuna soluzione; per il consumo pubblico.
Un corso di metodi numerici con Python per ingegneri e scienziati: attualmente 5 moduli di apprendimento, con compiti per studenti.
Approssimazione basata su griglia delle equazioni differenziali parziali in Julia
Firedrake è un sistema automatizzato per la soluzione portatile di equazioni differenziali parziali utilizzando il metodo degli elementi finiti (FEM)
BackPACK - un pacchetto di backpropagation costruito su PyTorch che calcola efficientemente quantità diverse dal gradiente.
ACADO Toolkit è un ambiente software e una raccolta di algoritmi per il controllo automatico e l'ottimizzazione dinamica. Fornisce un framework generale per l'utilizzo di una vasta gamma di algoritmi per il controllo ottimale diretto, inclusi il controllo predittivo basato sul modello, la stima di stato e parametri e l'ottimizzazione robusta.
Un framework nativo Python per la simulazione di sistemi dinamici basato sul paradigma dei diagrammi a blocchi.
Pacchetto Python per derivati numerici e equazioni differenziali parziali in qualsiasi numero di dimensioni。
Domande frequenti
Qual è il repository #numerical-methods più popolare su GitHub?
Il progetto open source #numerical-methods più alto in classifica su GitHub è rtqichen/torchdiffeq, con 6,437 stelle. Solutori ODE differenziabili con supporto GPU completo e backpropagation con memoria O(1).
Quali linguaggi di programmazione sono più utilizzati nei repository #numerical-methods?
Tra i progetti #numerical-methods più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++, Jupyter Notebook, HTML.
Come viene calcolata la classifica dei repository #numerical-methods?
Monitoriamo 39 repository open source attivi contrassegnati con #numerical-methods (500+ stelle), per un totale di 55,031 stelle e una media di 1,411 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.