基于回声状态网络的油藏计算python库
easyesn的Python项目详细描述
easy esn
"easyesn"是一个使用回声状态网络（esn，也称为"储层计算"）的递归神经网络库，具有高度易用的api，紧密面向"sklearn"。它旨在通过提供基于梯度的超参数自动调整（岭回归惩罚、谱半径、泄漏率和反馈比例）以及瞬态时间估计的算法，尽可能容易地利用"esn"。此外，它还集成了使用时空"esn"来预测和分类几何扩展输入信号的能力。
"easyesn"可以使用cpu，也可以使用gpu，这要感谢"cupy"。不过，目前建议使用CPU！
本项目基于luca-thiede基于梯度的超参数优化和瞬态时间估计的研究成果，以及罗兰·齐默尔曼的时空预测和分类技术。
` easyesn'library是使用"python 3"构建的。不能在"python 2.x"环境中使用它。目前推荐的安装"easyesn"的方法是通过"pip"。不过，您也可以在不使用"pip"的情况下自行安装"easyesn"。
它将自动安装"easyesn"及其依赖项。
转到"easyesn"的"pypi"[页面]（https://pypi.python.org/pypi/easyesn），下载最新版本作为`*.tar.gz'存档。
2.提取存档。
3.打开命令行/终端和cd，进入包含"setup.py"的目录。
4。执行"python setup.py install"开始安装。
对于每个任务，都有一个专门的模块，例如"分类"用于输入信号的分类，"预测"用于预测或生成（即总是将先前的预测反馈回中，从而提前几步预测），"回归"用于将信号映射到一个实数，或者"时空"用于预测几何扩展的输入信号（例如心脏表面或视频帧上的电激励）。
使用
``python
esn.fit（x_train，y_train，transientTime=100，verbose=1）
````
，并使用
``python
`y_test pred=esn.predict进行预测（x_test，transientTime=100，verbose=1）
```
n_u水库=500，渗漏率=0.2，光谱半径=0.2，回归参数=[1e-2]）
````
，山脊回归的惩罚为"1e-2"。要优化超参数，还需要创建一个优化器对象
``python
opt=gradientoptimizer（esn，learningrate=0.001）
`````
``python
``validationloss，fitloss，inputscalings，spectralradius，leakingrates，learningrates=opt.optimizeparameterfortrainerror（inputdatatraining，outputdatatraining，inputdatavalidation，outputdatavalidation，epochs=150，transienttime=100）
validationloss，fitloss，pensions=opt.optimizepension（inputdatatraining，outputdatatraining，inputdatavalidation，outputdatavalidation，epochs=150，transienttime=100）
````
可以在examples目录中找到更广泛的示例。
##后端
正如前面提到的，"easyesn"既可以在cpu上使用，也可以在gpu上使用。为了实现这一点，所有低级计算都外包到后端（类似于"keras"的后端技术）。要将"backend"更改为另一个名为"backendname"的后端，目前有两种方法：
1。修改存储在` ~/.easyesn/easyesn.json`中的设置文件，使其包含如下内容：
``json
{
"backend"："backendname"
}
````
，并在代码中使用"easyesn"，而无需进一步修改。
2.将"easyesn_backend"环境变量设置为"backendname"，并在代码中使用"easyesn"，而无需进一步修改。
这些都是受支持的后端名称：
后端名称后端类型；
；
；
；
/>
文档
#目前"easyesn"库不仅涵盖了储层计算的所有基本特征，而且还涵盖了一些新的、最先进的应用方法。尽管如此，在未来的版本中还有更多的东西需要实现。在下面，这些功能请求和想法一起列出了它们的进展：
-集成ESN（25%）
-添加对深度学习方法的支持作为输出方法（仍然开放）
-改进的GPU计算性能（仍然开放）
欢迎加入QQ群-->： 979659372
