有限元分析时划分网格的标准是什么?
1.导入模型的简化:关注的部分要细化,影响力学性能的圆角不要丢弃,而其他部分(如强度肯定满足要求、工作条件还不错的部分)可以粗略绘制,即删除所有带圆角的特征。
划分网格时原理是一样的,四面体网格最好用带中间节点的类型。最好用时间划分六面体网格。
3关于结果:我还没有t计算模式,没有经验。个人感觉如果结果收敛,应该是可信的;静力当然没问题,疲劳也不涉及。
如何更好地调试神经网络?
谢谢邀请我。以下是一些经验。深度学习在几个方面很棘手。数学和理论不仅能快速引出梯度公式和更新方程的毛团,而且深度学习模型非常复杂。tensorflow开发tensorboard后,神经网络的在线可视化和控制训练有了很大的进步,帮助开发者诊断无效的神经网络层。
从一小步开始,最先进的深度学习架构只会越做越大。作为一个试图实现这些架构的程序员,如果你确切地知道你在做什么,这不是一个问题。如果你的知识不完善,那么事情就会出错。无论是it'他试图模仿别人。;结果或超越已经做的事情。特别是在你刚开始一个新的深度学习项目的时候,我发现了两个特别有用的措施:用虚假数据来验证你的数据模型,在构建架构的时候一步一步来做。
伪造你的数据,得到你想要的结果。我的第一个建议主要出现在"正如我所说,从最简单的架构开始,并确定您的数据表示。对于问题的某些版本,实现一个小的全连接前馈网络(即使只是逻辑回归)。创建一个模拟数据流,其形状和尺寸与您通过网络推送的数据相同。尝试输入输出关系确定且容易学习的数据,和输入输出没有关系的数据,比较算法的性能:
这些示例如下所示。你觉得哪些关系比较容易学?
这种方法叫做单元测试。假数据可以检验你最终实现的算法的鲁棒性。
当我们构建一个九层的rnn时,引用是在torch中实现的。我和我的同事最初开始在theanokeras复制这个架构,我们的努力被推迟了几天甚至几周。
以我自己为例,我终于意识到这是因为我同时更新了数据采集和分类器的代码。theano是一回事,但是说到底,keras有相当简单的模型规范习惯用法,所以理论上应该很难混淆。但当我到达第一个模型层时,我不自觉地引入了数据表示的微妙变化。无论好坏,当您输入的大小与层的预期大小不同时。有了矩阵,许多架构将变得非常混乱,导致以下有趣的错误消息:
因此,如果您的数据模型可能被损坏,请先回到单元测试并修复它。然后重新构建您正在实施的网络。不管怎样,数组的大小是多少...?
好好利用你的调试器。随着你的神经网络逐渐变成乱糟糟的代码,越来越多无聊的评论出现(#再试一次...),也许像tdb、tensorboard这样的工具,或者你自己定制的可视化系统,在实际的深度学习调试中会越来越有用:检查梯度,调整学习速率,解决"这个输出不是我想要或期望的。否则,训练模型的参数调整阶段是多么令人沮丧、痛苦和漫长。
当然,正确的选择是永远知道自己在做什么,永远不要犯错。这可能需要在纸上画出你的网络架构,并成为机器学习的大师,而不是参数调整工程师。。
我会把所有与科技相关的有趣文章都贴在这里。欢迎订阅我的头条号。偶尔回答有趣的问题。有问题可以随时在评论区回复讨论。
(码字不易,如果文章对你有帮助,可以喜欢~)
原文标题:机器学习网格搜索简单介绍 有限元分析时划分网格的标准是什么?,如若转载,请注明出处:https://www.bjtdsx.com/bjtdsx3/565.html
免责声明:此资讯系转载自合作媒体或互联网其它网站,「天地水秀」登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述,文章内容仅供参考。