Journal 09 de Octubre

Scripts/Journal/2019-10-09-Journal.txt

+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.