Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习( 三 )


Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习
文章图片

文章图片
可微物理方法似乎比 RL 智能体产生更少的噪声轨迹 , 而两者都设法近似真值
PBDL 和不确定性
本章主要分两个小节:后验推理介绍、RANS Airfoil Flows 与贝叶斯神经网络 。
所有的测量、模型和离散化 , 都有其不确定性 。对于测量 , 通常以测量误差的形式出现 。另一方面 , 模型方程通常只包含我们感兴趣的一部分(剩余部分是不确定性的) , 而对于数值模拟 , 则引入了离散化误差 。所以这里要问的一个非常重要的问题是 , 我们如何才能确保我们得到的答案是正确的 。从统计学家的角度来看 , 后验概率分布捕获了我们对模型或数据可能存在不确定性的一些信息 。
书籍完整目录如下:
Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习
文章图片

文章图片
Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习
文章图片

文章图片
Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习
文章图片

文章图片
Jupyter笔记本实现,慕尼黑工大220页书籍介绍基于物理的深度学习
文章图片

文章图片
来源:机器之心Pro