qq_49323609的博客

原创 PINN解偏微分方程实例5--Diffusion,Burgers,Allen–Cahn方程和反问题

本文使用 PINN 求解了以三个具体的偏微分方程正问题和一个反问题，正问题包括Diffusion, Burgers, Allen–Cahn方程，反问题的代码以burger方程为例。本文展示了每个方程的数值解，真解和误差图。

原创 PINN解偏微分方程实例4--Diffusion,Burgers,Allen–Cahn和Wave方程和反问题代码

本文使用中展示的代码求解了以四个具体的偏微分方程，包括Diffusion，Burgers, Allen–Cahn和Wave方程，另外重新写了一个求解反问题的代码，以burger方程为例。

原创 PINN解偏微分方程实例1

PINN是一种利用神经网络求解偏微分方程的方法，其计算流程图如下图所示，这里以偏微分方程(1)为例。∂u∂tu∂u∂xv∂2u∂x2∂t∂u​u∂x∂u​v∂x2∂2u​​​神经网络输入位置x,y,z和时间t的值，预测偏微分方程解u在这个时空条件下的数值解。上图中可以看出，PINN的损失函数包含两部分内容，一部分是来源于训练数据误差，另一部分来源于偏微分方程误差，可以记作(2)式。

原创 Weights & Biases 私有化部署

本文介绍了Weights & Biases（WB）的私有化部署方案，解决在线模式网络问题和离线模式无法实时查看训练数据的问题。部署过程包括：1）在服务器安装Docker；2）使用Docker命令部署WB服务；3）通过SSH端口转发访问无图形界面服务器的WB网页；4）在训练代码中添加WB连接配置，包括服务器地址和本地认证密钥。该方案实现了WB的本地化部署，便于用户监控训练过程。

原创 PyTorch Lightning 深度实践系列

原创 使用 DataModules 跨模型重用数据集 (Pytorch Lightning)

摘要：PyTorch Lightning的DataModule提供了一种标准化管理数据的方式，封装了数据处理的完整流程（下载/预处理/加载/变换/封装）。通过定义prepare_data（安全下载）、setup（数据拆分）和各类dataloader方法，实现了数据集的可重用性和跨模型共享。这种设计不仅简化了数据处理流程，还支持多GPU/分布式训练，使研究人员能够专注于模型开发而非数据管理。典型实现包括MNIST示例，展示了如何将原始PyTorch代码转换为模块化结构，便于团队协作和项目迁移。 （字数：149

原创 使用模型进行预测 (Pytorch Lightning)

本文介绍了使用PyTorch Lightning模型进行预测的两种方法。1) Lightning方式：通过load_from_checkpoint加载权重，利用predict_step简化预测流程，支持复杂逻辑和分布式推理；2) 原生PyTorch方式：直接从Lightning检查点提取模型权重，转换为标准PyTorch模型使用。两种方法均提供完整代码示例，包括模型保存/加载、预测实现以及权重转换的具体操作步骤，适用于不同开发场景需求。

原创 使用 Pytorch Lightning 时追踪指标和可视化指标

本文介绍了PyTorch Lightning中指标追踪和可视化的方法。主要内容包括：1）使用self.log和self.log_dict记录训练指标；2）通过设置prog_bar=True在命令行进度条显示指标；3）使用TensorBoard可视化指标变化曲线；4）验证集和测试集指标的自动聚合功能，支持mean、min、max等聚合方式；5）通过default_root_dir参数自定义日志保存路径。这些功能为模型训练过程提供了便捷的性能监控和分析手段。

原创 查找训练代码的运行时间 (Pytorch Lightning)

本文介绍了三种PyTorch Lightning训练代码性能分析方法：1) 使用Simple Profiler统计训练循环各环节耗时，快速定位瓶颈环节；2) 通过Advanced Profiler进行函数级耗时分析，支持结果导出为日志文件；3) 利用DeviceStatsMonitor回调监控加速器使用情况，可配置是否包含CPU指标。这些方法能帮助开发者优化训练效率，其中Simple Profiler适合快速定位主要瓶颈，Advanced Profiler提供更精细的函数级分析，而DeviceStatsMo

原创 模型调试实用技巧 (Pytorch Lightning)

本文总结了6种实用的模型调试技巧：1）通过设置断点逐行检查代码；2）使用fast_dev_run参数快速验证全流程；3）限制批次量缩短训练周期；4）利用num_sanity_val_steps进行预验证；5）通过ModelSummary打印模型权重结构；6）设置example_input_array显示各层输入输出尺寸。这些方法可显著提升调试效率，特别适用于大规模深度学习模型的开发验证环节，帮助开发者快速定位问题并优化模型结构。

原创 如何使用 Pytorch Lightning 启用早停机制

本文介绍了两种在PyTorch Lightning中实现早停机制的方法。第一种是通过重写on_train_batch_start()方法手动控制训练流程；第二种是使用内置的EarlyStopping回调，可以监控验证指标并在指标停止改善时自动停止训练。文章详细说明了EarlyStopping的参数设置，包括监控指标、模式选择、耐心值等核心参数，以及停止阈值、发散阈值等进阶参数。同时介绍了如何通过子类化修改早停触发时机，并提醒注意验证频率与耐心值的配合使用。文末提供了完整的代码示例，展示了如何在实际训练中配置

原创 如何使用 PyTorch Lightning 保存和加载检查点

本文介绍了PyTorch Lightning中检查点的使用指南。检查点是保存模型训练状态的关键机制，包含模型参数、优化器状态、超参数等完整信息。文章详细说明了如何自动/手动保存检查点、从检查点加载模型、保存和访问超参数、与普通PyTorch模块的兼容性，以及如何恢复完整训练状态。还提供了禁用检查点和提取子模块权重的实用方法。这些功能确保训练过程的可恢复性和模型版本管理，是深度学习工作流的重要组成部分。

原创 如何使用 PyTorch Lightning 训练一个模型

本文介绍了使用PyTorch Lightning训练模型的完整流程。首先通过定义Encoder和Decoder模块构建自动编码器模型，并实现LightningModule的训练步骤和优化器配置。然后详细讲解了数据集的加载与划分，包括训练集、验证集和测试集的处理方法。文章还展示了如何添加验证和测试循环，通过实现validation_step和test_step方法来监控模型性能。最后说明了如何使用Trainer进行模型训练和评估，包括验证集的传入和测试模型的调用。整个过程涵盖了从模型构建到训练验证的完整机器学

原创 vs code 调试模式无法导入本项目函数

VS Code调试无法导入项目函数的问题解决 问题：在VS Code调试模式下无法导入本项目的函数(symmcd)，尽管终端运行正常。 原因分析： 工作目录未正确设置 Python模块搜索路径(PYTHONPATH)未包含项目目录 解决方案： 修改launch.json配置文件，添加以下关键设置： "cwd"：指定项目根目录 "env"：添加PYTHONPATH包含项目路径 使用${workspaceFolder}变量确保路径正确 修改后调试成功，项目函数可正常导入。

原创 miniforge3安装之后激活anaconda的虚拟环境

一开始在 anaconda 下创建了许多环境，后由于需要安装了 miniforge，这时原来在anaconda下创建的环境无法通过。

原创 pymatgen配置赝势

是您希望存储重新格式化的、与Pymatgen兼容的伪潜能文件的所需路径。目录具有以下格式（这里的教程是54，我执行的是52版本）下载赝势文件，并上传到服务器中，我这里上传的路径是。是从VASP获取的提取的VASP伪势文件的路径，上一步执行结束时，会提示下一步的命令，如果执行正确，你新生成的目录。

原创 ubuntu服务器安装VASP.6.4.3

本文介绍了在ubuntu服务器系统下安装vasp。

原创 ubuntu安装mamba

若出现如下情况，这安装mamba安装完成。我这里安装的是第5个（和自己系统适配）。需要替换为自己的用户名。到此mamba即可使用。

原创 torch.nn.Bilinear函数计算原理

双线性层的 W 的维度为 (out_features，in1_features, in2_features)；的维度为 (batch_size, in1_features);的维度为 (batch_size, in2_features);双线性层的 B 的维度为 (out_features)；实例化 torch.nn.Bilinear 类时，通过。

原创 torch_sparse.SparseTensor函数索引

【代码】torch_sparse.SparseTensor函数索引。

原创 python并行计算之p_umap

使用python在很多情况下需要并行处理，例如深度学习中每个样本在一个文件中，需要一个一个的读取，或者某个函数需要并行的执行多次。在这种情况下，串行跑代码需要大量的时间，在有多cpu核心时，我们可以通过并行计算来缩短时间。需要注意的是，在实际使用时，通常需要对结果list做一些预处理，满足下一步的输入。例如并行读取数据集数据时，最后可以按照数据的id排序等预处理操作。中的每一个元素都会并行的传入add的第一个参数。中的每一个元素都会并行的传入add的第二个参数。，然后是函数需要传入的参数列表，这里。

原创 Microsoft Office PowerPoint制作科研论文用图

新建一个PPT（注意，不是wps的ppt，是office的ppt）。把高清图片导入PPT，可以设置PPT的尺寸为A4或者其它尺寸。对于相同版式，不同图片内容的情况，可以先设置好一个格式，右键图片，更改图片，直接替换，可以保证格式一样。用window自带的画图打开emf格式文件，将多余的空白部分剪裁掉，在保存为tif格式图片，就可以插入科研论文中了。将设置好的图片组合成一张图片，通过文件>>另存为>>“这里指通过绘图软件画分辨率高的图片，我一般使用。

原创 解决报错/pytorch/aten/src/THCUNN/ClassNLLCriterion.cu:108: cunn_ClassNLLCriterion_updateOutput_kernel

这是因为在n元分类任务中，交叉熵损失的目标值必须在[0，n-1]的范围内，修改目标值取值范围即可。函数时，出现如下错误。

原创 解决问题AttributeError: “safe_load“ has been removed, use

根据提示（这里根据自己的提示信息寻找文件），在文件。在复现cdvae代码时，运行。评估模型时，出现以下问题。

原创 CDVAE项目环境配置

可以通过pip list 和conda list来查看安装失败的包，然后单独进行安装，安装过程中可能会覆盖之前安装的包或者更改包的版本，需要不断修改，这里是本人根据经验总结的安装顺序。系统环境：Ubuntu22.04+GeForce RTX 3090+cuda12.6（cuda版本11.1以上均适用）。下图是我对应的环境变量（这里和下文中的user是需要替换为自己的用户名）可能会出现如下问题，以下四个文件需要下载对应的whl文件，可以在我的。文件我进行了修改，文件可以在我的。文件所在的目录（注意，这里的。

原创 ubuntu服务器版NVIDIA驱动失效解决方案

这种情况应该是ubuntu内核和显卡驱动不匹配，网上的教程包括降低ubuntu内核版本（参考。然后安装显卡（这里是卸载重装的简单代码，若第一次安装显卡驱动，需要进行一些配置，参考。）,亲测，对本人问题失效，但是大家遇到这种问题可以先试试这两个，因为操作简单。以上前三行是有关下载.deb文件的命令，参考我的上一篇博客。以下命令查看显卡驱动是否卸载干净，没有输出表示卸载完成。搜索最新显卡驱动，下载，上传到服务器根目录。），NVIDIA驱动失效简单解决方案（参考。，出现如下所示，表明运行成功。

原创 零基础读懂 DDPM 数学推导

零基础读懂 DDPM 数学推导完整PDF文件可以在工坊获得，以下是内容截图。

原创 latex \left{ \right} 环境不能自动换行

另外，若网址不能换行，用。在合适换行的位置加入。

原创 爱思唯尔模板 LATEX 表格标题左对齐

若出现表格标题如下居中形式，想要变成左对齐的形式。

原创 使用conda安装第三方包报错CondaSSLError

解决报错CondaSSLError: OpenSSL appears to be unavailable on this machine. OpenSSL is required to download and install packages.

原创 科研绘图matplotlib之设置字体Times New Roman

最后，删除之前的字体缓存，找到“home/user/.cache/matplotlib”目录，并删除该目录。解决方法：把自己电脑上的Times New Roman字体上传到matplotlib的。这里一条代码可以让图上全部字体都是Time New Roman。这是由于服务器matplotlib没有这个字体。自己电脑的Times New Roman字体在。将其复制到桌面会有四个文件。

原创 wps使用Latex编辑公式没有Latex formula

拷贝下图中的可执行文件安装路径，或者自己在Ctex安装目录寻找对应的路径。，我下载的下图这个，下载完了之后运行exe文件安装ctex。下载好之后是一个压缩包，然后解压，将减压出来的文件夹放到。如果没有Latex formula，重启电脑。若不是，修改为上图所示。

原创 pytorch写一个神经网络训练示例代码

当使用PyTorch训练全连接神经网络时，你需要定义神经网络模型、损失函数和优化器，并编写训练循环。下面是一个简单的示例，演示了如何使用PyTorch来训练一个全连接神经网络。接下来，我们初始化了模型、损失函数和优化器，并进行了训练循环。最后，我们使用训练好的模型进行了一个简单的预测。你可以根据自己的数据和模型结构进行相应的修改，希望这个示例能够帮助你开始使用PyTorch训练全连接神经网络。在这个示例中，我们首先定义了一个简单的全连接神经网络模型。

原创 pytorch手写dataset

这样，你就可以使用自定义的Dataset类来加载你的特征和标签数据，并将其用于训练模型。希望这个示例能够帮助你创建自己的PyTorch Dataset类。只需将自己的特征和标签分别传入CustomDataset(features, labels)中即可。你可以使用这个自定义的Dataset类来创建PyTorch的DataLoader，并将其用于训练模型。当你创建一个PyTorch自定义的Dataset类时，你需要继承。方法根据给定的索引返回对应的特征和标签。类接受特征和标签作为输入，并在。

原创 conda安装GPU版pytorch，但是安装的是cpu的

【代码】conda安装GPU版pytorch，但是安装的是cpu的。

原创 python将输出保存到txt文档

【代码】python将输出保存到txt文档。

原创 MPDataDoc类介绍

使用mp数据库新接口获取数据，例子如下：以上代码返回一个MPDataDoc对象列表，每一个MPDataDoc对象包含一条材料数据的全部信息。查看MPDataDoc对象包括的信息：可以通过这些属性获取数据，也就是说只需要得到mp数据的id，就可以通过API接口获得全部信息。例子：space_number = docs[0].symmetry.number # 获取空间群数。

原创 mp数据库接口调用错误

【代码】mp数据库接口调用错误。

原创 来自chatgpt的一些回答

方法是 Materials Project 数据库中用于通过材料的唯一标识符（material ID）检索材料结构信息的一个函数。这个方法返回的是一个 pymatgen 库中的Structure对象，这个对象包含了材料的晶体结构信息，包括原子的种类、数量、位置等。CIF（Crystallographic Information File）文件是一种用于描述晶体结构的标准文件格式。它包含了晶体结构的完整信息，比如晶胞参数、对称性、原子的位置等。获取的Structure。

原创 Matlab绘制动态心形线

【代码】Matlab绘制动态心形线。