jax-cfd

README.md

 # jax-cfd_jax
 
-## 仓库介绍
+<!-- ## 仓库介绍
 
 JAX-CFD是一个探索机器学习、自动微分和硬件加速器（GPU/TPU）在计算流体动力学中潜在应用的实验研究项目。它是用JAX实现的。
 
@@ -38,30 +38,28 @@ JAX-CFD目前专注于非稳态湍流流动：
 - 稳态模拟（例如，雷诺平均N-S方程RANS）
 - 在多个TPU/GPU上的分布式模拟
 
-我们欢迎在这些方面的任何合作！在开始重要工作之前，请通过GitHub或电子邮件与我们联系以协调。
+我们欢迎在这些方面的任何合作！在开始重要工作之前，请通过GitHub或电子邮件与我们联系以协调。 -->
 
-
-## 应用案例
-### 论文
+## 论文
 
 **Machine learning–accelerated computationalfluid dynamics**
 
 * https://www.pnas.org/doi/epdf/10.1073/pnas.2101784118
 
-### 模型结构
+## 模型结构
 
 该模型包括一个卷积神经网络，该网络控制在标准数值求解器的对流计算中的学习近似。ψ和u分别指的是被输送和输送速度分量。对于空间维度，有d*d个对流通量模块的副本，对应于每个空间方向中每个速度分量的通量。
 
 ![alt text](asset/model_structure.png)
 
-### 算法原理
+## 算法原理
 CNN网络具有平移不变性。这意味着网络对输入数据的平移不敏感，即使图像中的对象位置发生了变化，网络也能识别出对象。在流体动力学的上下文中，网络能够识别出流动中相同的模式，无论它们在空间中如何移动。此外，卷积神经网络在空间上是局部化的，网络的操作集中在输入数据的局部区域。在流体动力学的背景下，网络专注于网格点周围的局部流速场，而不是整个流速场。这种局部化允许网络捕捉局部流动特征，如涡旋、边界层等，这对于准确模拟流体行为至关重要。
 
 ![alt text](asset/alg.png)
 
-### 环境配置
+## 环境配置
 
-#### Docker（方法一）
+### Docker（方法一）
 
     docker pull image.sourcefind.cn:5000/dcu/admin/base/jax:0.4.23-ubuntu20.04-dtk24.04-py310
 
@@ -71,7 +69,7 @@ CNN网络具有平移不变性。这意味着网络对输入数据的平移不
 
     pip install dask jupyter
 
-#### Dockerfile（方法二）
+### Dockerfile（方法二）
 
     docker build -t <IMAGE_NAME>:<TAG> .
 
@@ -81,7 +79,7 @@ CNN网络具有平移不变性。这意味着网络对输入数据的平移不
 
     pip install dask jupyter
 
-#### Anaconda（方法三）
+### Anaconda（方法三）
 
     DTK驱动：dtk24.04
     python：python3.10
@@ -93,7 +91,7 @@ Tips：以上dtk驱动、python、jax等DCU相关工具版本需要严格一一
 
     pip install dask jupyter
 
-### 数据集
+## 数据集
 
 1、安装gsutil
 
@@ -120,7 +118,7 @@ Tips：以上dtk驱动、python、jax等DCU相关工具版本需要严格一一
     gsutil -m cp gs://gresearch/jax-cfd/public_eval_datasets/kolmogorov_re_1000/long_eval*.nc ./content
 
 
-### 推理
+## 推理
 
 1、下载模型
 
@@ -153,12 +151,12 @@ Tips：以上dtk驱动、python、jax等DCU相关工具版本需要严格一一
 
 注意：跳过代码中需要下载数据的部分。
 
-### result
+## result
 
 ![alt text](asset/result1.png)
 
 
-#### 精度
+### 精度
 
 无