Commit 6c0b7ddd authored by Perez Visaires, Jon's avatar Perez Visaires, Jon

Journal 09 de Octubre

parent e63bacd2
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.
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment