mindscience.models.neural_operator.FFNO1D

class mindscience.models.neural_operator.FFNO1D(in_channels, out_channels, n_modes, resolutions, hidden_channels=20, lifting_channels=None, projection_channels=128, factor=1, n_layers=4, n_ff_layers=2, ff_weight_norm=False, layer_norm=True, share_weight=False, r_padding=0, data_format='channels_last', positional_embedding=True, dft_compute_dtype=mstype.float32, ffno_compute_dtype=mstype.float16)

1D 因子化傅里叶神经算子，通常包含一个提升层、一个因子化傅里叶块层和一个投影层。详情请参阅 A. Tran, A. Mathews, et. al: FACTORIZED FOURIER NEURAL OPERATORS。

参数：

• in_channels (int) - 输入空间的通道数。

• out_channels (int) - 输出空间的通道数。

• n_modes (Union[int, list(int)]) - 傅里叶层线性变换后保留的模式数。

• resolutions (Union[int, list(int)]) - 输入张量的分辨率。

• hidden_channels (int, 可选) - FNOBlock 输入和输出的通道数。默认值：20。

• lifting_channels (int, 可选) - 提升层中间通道的通道数。默认值：None。

• projection_channels (int, 可选) - 投影层中间通道的通道数。默认值：128。

• factor (int, 可选) - 前馈神经网络隐藏层中的神经元数。默认值：1。

• n_layers (int, 可选) - 傅里叶层嵌套的次数。默认值：4。

• n_ff_layers (int, 可选) - 前馈神经网络中的层数（隐藏层）。默认值：2。

• ff_weight_norm (bool, 可选) - 是否在前馈中进行权重归一化。用作保留功能接口，前馈中不支持权重归一化。默认值：False。

• layer_norm (bool, 可选) - 是否在前馈中进行层归一化。默认值：True。

• share_weight (bool, 可选) - SpectralConv 层之间是否共享权重。默认值：False。

• r_padding (int, 可选) - 在某个维度上对张量右侧进行填充的数字。默认值：0。

• data_format (str, 可选) - 输入数据通道序列。默认值："channels_last"。

• positional_embedding (bool, 可选) - 是否嵌入位置信息。默认值：True。

• dft_compute_dtype (dtype.Number, 可选) - SpectralConvDft 中 DFT 的计算类型。默认值：mstype.float32。

• ffno_compute_dtype (dtype.Number, 可选) - fno 跳跃 MLP 的计算类型。可选择 mstype.float32 或 mstype.float16。GPU 后端推荐使用 mstype.float32，Ascend 后端推荐使用 mstype.float16。默认值：mstype.float16。

输入：

• x (Tensor) - 形状为 \((batch\_size, resolution, in\_channels)\) 的张量。

输出：

• output (Tensor) - 形状为 \((batch\_size, resolution, out\_channels)\) 的张量。

异常：

• ValueError - 如果 ff_weight_norm 不是 False。

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> import mindspore.common.dtype as mstype
>>> from mindscience.models.neural_operator.ffno import FFNO1D
>>> data = Tensor(np.ones([2, 128, 3]), mstype.float32)
>>> net = FFNO1D(in_channels=3, out_channels=3, n_modes=[20], resolutions=[128])
>>> out = net(data)
>>> print(data.shape, out.shape)
(2, 128, 3) (2, 128, 3)