mindscience.models.neural_operator.FFNOBlocks

class mindscience.models.neural_operator.FFNOBlocks(in_channels, out_channels, n_modes, resolutions, factor=1, n_ff_layers=2, ff_weight_norm=False, layer_norm=True, dropout=0.0, r_padding=0, use_fork=False, forecast_ff=None, backcast_ff=None, fourier_weight=None, dft_compute_dtype=mstype.float32, ffno_compute_dtype=mstype.float32)

FFNOBlock，通常伴随一个提升层和一个投影层，是因子化傅里叶神经算子的一部分。它包含一个因子化傅里叶层。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。

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

• 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。

• dropout (float, 可选) - 应用 dropout 正则化时被丢弃的百分比值。默认值：0.0。

• r_padding (int, 可选) - 在某个维度上对张量右侧进行填充的数字。如果输入不是周期性的，则填充域。默认值：0。

• use_fork (bool, 可选) - 是否执行预报。默认值：False。

• forecast_ff (Feedforward, 可选) - 生成"回波"输出的前馈网络。默认值：None。

• backcast_ff (Feedforward, 可选) - 生成"预报"输出的前馈网络。默认值：None。

• fourier_weight (ParameterTuple[Parmemter], 可选) - 在频域中变换数据的傅里叶权重，包含一个长度为 2N 的 Parmemter 参数元组。

  • 偶数索引（0, 2, 4, …）表示复数参数的实部。

  • 奇数索引（1, 3, 5, …）表示复数参数的虚部。

  默认值：None，表示未提供数据。

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

• ffno_compute_dtype (dtype.Number, 可选) - ffno 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.float32。

输入：

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

输出：

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

异常：

• ValueError - 如果 ff_weight_norm 不是 False。

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.common.dtype as mstype
>>> from mindscience.models.neural_operator.ffno import FFNOBlocks
>>> data = Tensor(np.ones([2, 128, 128, 2]), mstype.float32)
>>> net = FFNOBlocks(in_channels=2, out_channels=2, n_modes=[20, 20], resolutions=[128, 128])
>>> out0, out1 = net(data)
>>> print(data.shape, out0.shape, out1.shape)
(2, 128, 128, 2) (2, 128, 128, 2) (2, 128, 128, 2)