Skip to content
GitLab
Explore
Sign in
Primary navigation
Search or go to…
Project
L
LSPhys
Manage
Activity
Members
Labels
Plan
Issues
Issue boards
Milestones
Wiki
Code
Merge requests
Repository
Branches
Commits
Tags
Repository graph
Compare revisions
Snippets
Build
Pipelines
Jobs
Pipeline schedules
Artifacts
Deploy
Releases
Model registry
Operate
Environments
Monitor
Incidents
Service Desk
Analyze
Value stream analytics
Contributor analytics
CI/CD analytics
Repository analytics
Model experiments
Help
Help
Support
GitLab documentation
Compare GitLab plans
GitLab community forum
Contribute to GitLab
Provide feedback
Terms and privacy
Keyboard shortcuts
?
Snippets
Groups
Projects
Show more breadcrumbs
Perez Visaires, Jon
LSPhys
Commits
6c0b7ddd
Commit
6c0b7ddd
authored
5 years ago
by
Perez Visaires, Jon
Browse files
Options
Downloads
Patches
Plain Diff
Journal 09 de Octubre
parent
e63bacd2
No related branches found
No related tags found
No related merge requests found
Changes
1
Show whitespace changes
Inline
Side-by-side
Showing
1 changed file
Scripts/Journal/2019-10-09-Journal.txt
+57
-0
57 additions, 0 deletions
Scripts/Journal/2019-10-09-Journal.txt
with
57 additions
and
0 deletions
Scripts/Journal/2019-10-09-Journal.txt
0 → 100644
+
57
−
0
View file @
6c0b7ddd
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.
This diff is collapsed.
Click to expand it.
Preview
0%
Loading
Try again
or
attach a new file
.
Cancel
You are about to add
0
people
to the discussion. Proceed with caution.
Finish editing this message first!
Save comment
Cancel
Please
register
or
sign in
to comment