Skip to content
Snippets Groups Projects
Commit 6c0b7ddd authored by Perez Visaires, Jon's avatar Perez Visaires, Jon
Browse files

Journal 09 de Octubre

parent e63bacd2
No related branches found
No related tags found
No related merge requests found
Reinstalación del entorno PyCharm en Ubuntu.
- Se ha solucionado los fallos iniciales de la teminal
- Ahora la terminal reconoce el entorno virtual y el intérprete.
*** Utilizando únicamente el paquete tensorflow, hacemos uso solo de la cpu y se arregla el problema ***
Instalación de CUDA y CUDNN para utilizar Tensorflow-GPU:
- No es posible en un ordenador sin tarjeta gráfica nVidia compatible
- No es el caso de este ordenador
- Se pueden instalar los drivers de CUDA aun sin GPUs:
wget https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda_9.0.176_384.81_linux-run
> Extraer ficheros del instalador:
chmod +x cuda_9.0.176_384.81_linux-run
./cuda_9.0.176_384.81_linux-run --extract=$HOME
> Instalar CUDA Toolkit 9.0:
sudo ./cuda-linux.9.0.176-22781540.run
Tutoriales MantaFlow:
* Generación de datos:
- Fichero de Python manta_genSimSimple.py (carpeta tensorflow)
- Ejecutar con manta (prefijo del archivo)
> Generamos 100 frames de los campos de densidad y velocidad del fluido.
> Archivados en ficheros .uni (forma de almacenar campos propia de mantaflow).
- Simulamos 10 casos distintos. Cuanta más variedad de casos, más difícil será el entranamiento
de un Autoencoder (intentamos entrenar un autoencoder pequeño para empezar).
* Entrenamiento de la red neuronal:
- Primero carga los datos de las simulaciones del paso anterior.
> Busca carpetas simSimple_XXXX donde XXXX es de 1000 a 2000.
> Carga 100 density_XXXX mediante la función readUni, devuelve los
datos del grid en una array de Numpy.
> El header de los ficheros .uni contiene metadatos como dimX y dimY.
> readUni devuelve un array ZYXC, donde ZYX son las dimensiones espaciales y C el número de canales por casilla (C=1 en campos escalares).
> Al ser un probleam de 2D, utilizamos np.reshape(array, [dimX, dimY, 1]) para eliminar
el eje Z del array.
> El origen de los campos en mantaflow (0, 0) está en la esquina inferior izquierda,
pero para trabajar con imagenes es conveniente situarlo en la esquina superior derecha.
arr = arr[:, ::-1, :, :] # Dar la vuelta por el eje Y
arr = np.reshape(arr, [w, h, 1])
densities.append( arr )
>
- Estudiar TensorFlow.
0% Loading or .
You are about to add 0 people to the discussion. Proceed with caution.
Please register or to comment