May, 2024

Python 科学计算管道集成的函数式编程范式

PDF
TL;DR现代数据处理的出现导致了越来越多的跨学科研究，在这种研究中经常涉及到不同技术方法的引入。因此，迫切需要一个统一的数据控制系统来促进各种库的集成。本文提出了一种基于 Python 架构和相关套件的新颖的函数式编程范式，旨在实现不同数据映射操作管道的集成，特别是用于科学计算流程的集成，为上述挑战提供了强大而灵活的解决方案。
发现论文，激发创造
  • 概率编程的功能张量

    通过引入 “functional tensors” 这一概念，将现代自动微分框架的通用概念扩展为连续概率分布，并实现广义变量消除和并行扫描滤波算法，从而实现了一种广泛适用的概率编程系统，被应用于 Pyro 编程语言中，可以实现包括精确和近似推断在内的多种推断策略。

    Oct, 2019

  • 高性能数据框架的并行处理模式深度分析

    本文介绍基于高性能计算的分布式 DataFrame 操作常见模式和成本模型，同时评估了 Cylon 在 ORNL Summit 超级计算机上的性能表现。

    Jul, 2023

  • 功能和数据流：用于数字双胞胎的指定机器学习流水线的框架

    提出了一个用于描述数字孪生中人工智能流程的领域特定语言（DSL），旨在简化数字孪生的设计和验证，通过将函数作为一等公民进行学习模型的有效操作，展示了 Function+Data Flow（FDF）在结构的塑性应变预测和轴承的电磁行为建模两个具体用例中的优势。

    Jun, 2024

  • SciPy 1.0--Python 科学计算的基础算法

    SciPy 是用于 Python 编程语言的开源科学计算库，涵盖聚类，傅里叶变换，积分，插值，文件 I/O，线性代数，图像处理，正交距离回归等众多领域，在 600 多个贡献者的努力下，它已经成为了 Python 编程语言中使用科学算法的事实标准，占据了超过一百万的下载量，其中包括了几乎一半基于机器学习的 GitHub 代码库。

    Jul, 2019

  • 可组合 NLP 工作流的数据中心框架

    本文介绍了一个能够支持自然语言处理工作流的开源框架，该框架包含了一个统一的数据表示方法和一个包含处理器、可视化和注释的大型处理库，提供了简单组装和互操作性，并能够轻松扩展以接入其他自然语言和深度学习库。

    Mar, 2021

  • 为声明式编程降低学习曲线：IDP 系统的 Python API

    本文提出了一种 API，将 IDP 知识库系统集成到 Python 编程语言中，旨在让 Python 程序员能够使用 IDP 的声明性功能，而无需学习任何新的语法或语义，并实现最小代码的修改使 IDP 能够轻松添加到 / 从现有代码库中删除

    Nov, 2015

  • i-flow：基于正则化流的高维度积分和抽样

    本文介绍了一种名为 i-flow 的 python 包，使用正则化流来实现高维数值积分和样本随机点的生成，通过与其他高维数值积分算法的比较，证明了 i-flow 的优越性，其代码公开在 gitlab。

    Jan, 2020

  • Python 中的机器学习：数据科学、机器学习和人工智能的主要发展和技术趋势

    Python 机器学习领域的综述，研究使用 Python 核心硬件和软件范例（如深度神经网络和可扩展 GPU 计算）来处理海量数据和降低人工智能的使用门槛。

    Feb, 2020

  • tf.data：一个机器学习数据处理框架

    tf.data 是一个为构建和执行高效机器学习输入流水线而设计的框架，它提供了各种操作符用于定义计算，已经可以应用于不同的机器学习领域。我们展示了输入流水线的性能对于机器学习模型的训练时间至关重要，tf.data 的特性可以避免手动性能优化，实现高效的输入流水线。我们的分析为将计算与存储结合起来，推送数据处理到存储层提供了未来研究方向。

    Jan, 2021

  • 可微编程系统：连接机器学习与科学计算

    这篇论文介绍了一种 Differentiable Programming 系统 Zygote，能够从一般的程序结构中获取梯度，该系统支持控制流、递归、突变等几乎所有语言构造，并支持各种高级自动微分技术，可以在不需要任何用户干预或重构来分阶段执行计算的情况下编译高性能代码，从而使得我们能够在深度学习模型中简单地集成一个大的库生态系统。

    Jul, 2019