简介这份资源面向从事科学计算与深度学习交叉研究的学生、工程师提供基于PINN物理信息网络的四种时间处理范式离散时间识别、离散时间推理、连续时间识别与连续时间推理每类均配有独立可运行的Python源码与配套数据共4套代码。压缩包共559个文件约475.95MB以503个txt数据与结果记录、13个py脚本、12个csv误差表、9个eps与9个pdf图表文档、7个mat数据文件为主另含少量pyc、yml、html、md与nb文件覆盖从训练、推理到误差统计与可视化输出的完整链路。内容预览中可见error_table、error_lambda_1_table、error_lambda_2_table等误差统计表便于对比不同参数设置下的识别与推理精度。目前已有1546人学习下载适合希望快速复现PINN时间域建模、理解离散与连续时间方案差异并开展误差分析的读者参考。1. 从一组误差表说起这套 PINN 源码到底在解决什么问题如果你手头有一组随时间演化的观测数据想同时把方程里的未知参数和状态轨迹一起反推出来传统做法通常是先离散、再调参、再拟合中间任何一步选错格式都会让结果偏得离谱。这套基于 PINN 物理信息网络的 Python 源码把「离散时间识别」「离散时间推理」「连续时间识别」「连续时间推理」四件事拆成四个独立可跑的脚本配套的error_table_1.csv、error_lambda_1_table_1.csv、error_lambda_2_table_2.csv等误差表正好对应不同时间格式、不同未知参数个数下的精度记录。它适合已经懂一点神经网络、但被正问题求解和反问题识别来回折腾的从业者也适合想把 PINN 从论文公式落到能跑出误差表的新手。下面我按「资源是什么 → 怎么跑起来 → 坑在哪 → 怎么验证」的顺序把这份源码拆开讲清楚。2. 四种时间格式的 PINN 到底差在哪识别与推理的分工2.1 离散时间识别与连续时间识别的本质区别先把四个脚本的名字翻译成人话。识别identification指的是方程形式已知、但里面某些系数未知比如 $\lambda_1$、$\lambda_2$ 这种待定参数网络要在拟合数据的同时把这些系数反推出来推理inference指的是方程和参数都已知网络只负责在给定初边值条件下把解推出来。离散时间和连续时间的差别则在于残差怎么构造离散时间方法把时间导数用差分格式近似残差直接写在离散网格上连续时间方法用自动微分对时间求导残差写在连续域里。这两种路线没有绝对优劣。离散时间方法对采样步长敏感但训练稳定、收敛快适合观测数据本身就是在固定时间网格上采出来的场景连续时间方法不依赖网格理论上可以在任意时刻求值但自动微分的计算图更深训练时容易在早期震荡。源码把两者分开成独立脚本好处是你不用改一套代码去适配两种范式直接对照误差表就能看出同一组数据下哪种格式更划算。error_table_1.csv和error_table_2.csv记录的是状态量本身的误差error_lambda_1_table_1.csv、error_lambda_2_table_1.csv这类文件记录的是参数识别的误差。命名里的table_1、table_2对应不同的实验配置通常是不同的噪声水平或不同的观测点数。看误差表时不要只盯最后一行的最小值要看误差随训练轮次的下降曲线是否平滑震荡剧烈的往往意味着学习率或网络宽度没调好。2.2 四个脚本的目录结构与依赖拿到源码包后先确认目录里至少有这四个入口文件以及它们共用的数据生成和网络定义模块。常见做法是把网络结构、残差构造、训练循环拆成三个文件四个入口脚本只负责组装。依赖方面核心是 PyTorch 和 NumPy画图用 Matplotlib读误差表用 pandas。如果你用的是较新的 PyTorch 版本注意torch.autograd.grad的create_graph参数在连续时间脚本里必须为True否则二阶导会断图。# 建议先建独立环境避免和系统里的老版本 torch 冲突 python -m venv pinn_env source pinn_env/bin/activate # Windows 下用 pinn_env\Scripts\activate pip install torch numpy pandas matplotlib这段命令做三件事建虚拟环境、激活、装四个核心库。参数上唯一要注意的是 torch 的版本CPU 版和 CUDA 版安装命令不同如果你没有 GPU 就直接装默认的 CPU 版连续时间脚本在小规模数据上 CPU 也能跑。装完后用python -c import torch; print(torch.__version__)确认版本避免出现装上了但 import 报错的情况。2.3 跑通第一个脚本离散时间识别的完整流程以离散时间识别为例典型流程是生成或读入观测数据 → 定义网络 → 构造离散残差 → 联合优化数据损失和物理损失 → 输出参数估计和误差表。下面这段是这类脚本里最常见的训练循环骨架你可以对照自己的源码看结构是否一致。import torch import torch.nn as nn # 网络输入时间 t输出状态 u宽度和深度按数据复杂度调 class PINN(nn.Module): def __init__(self, width50, depth4): super().__init__() layers [nn.Linear(1, width), nn.Tanh()] for _ in range(depth - 1): layers [nn.Linear(width, width), nn.Tanh()] layers.append(nn.Linear(width, 1)) self.net nn.Sequential(*layers) def forward(self, t): return self.net(t) # 待识别参数用 nn.Parameter 包起来才会被优化器更新 lambda_1 nn.Parameter(torch.tensor(0.1)) lambda_2 nn.Parameter(torch.tensor(0.1)) optimizer torch.optim.Adam( list(model.parameters()) [lambda_1, lambda_2], lr1e-3 ) for epoch in range(20000): optimizer.zero_grad() u_pred model(t_obs) loss_data torch.mean((u_pred - u_obs) ** 2) # 离散残差用相邻时刻差分近似时间导数 u_t (model(t_grid[1:]) - model(t_grid[:-1])) / dt residual u_t - (lambda_1 * model(t_grid[:-1]) lambda_2 * model(t_grid[:-1]) ** 2) loss_phys torch.mean(residual ** 2) loss loss_data 1e-2 * loss_phys # 权重需要按量级调 loss.backward() optimizer.step()逻辑上分四块网络定义、参数注册、损失构造、反向更新。参数说明上width和depth决定拟合能力数据点少于 100 个时宽度 50、深度 4 通常够用lr取 1e-3 是稳妥起点连续时间脚本可以降到 1e-4物理损失前面的权重1e-2是最需要手调的量太大导致数据拟合不动太小导致参数识别不准。判断权重是否合适看训练日志里loss_data和loss_phys是否在同一量级下降差两个数量级以上就要重新平衡。3. 连续时间推理怎么配自动微分与网格无关求值3.1 连续时间残差的构造与二阶导陷阱连续时间方法的核心是用自动微分代替差分。残差写成 $\partial_t u - f(u, \lambda)$其中 $\partial_t u$ 由torch.autograd.grad对网络输出求时间导数得到。这里有个高频翻车点如果方程里含二阶时间导必须连续求两次导且第一次求导时要设create_graphTrue否则第二次求导会报「element 0 of tensors does not require grad」。源码里连续时间脚本一般会封装一个grad辅助函数你重点检查它有没有把这个参数带上。def grad(outputs, inputs): return torch.autograd.grad( outputs, inputs, grad_outputstorch.ones_like(outputs), create_graphTrue, # 二阶导必须为 True retain_graphTrue )[0] t t_grid.clone().requires_grad_(True) u model(t) u_t grad(u, t) u_tt grad(u_t, t) # 只有需要二阶导时才写这一行参数上retain_graphTrue保证计算图在多次求导间不被释放代价是显存占用上升。如果你的数据规模大、显存吃紧可以把求导点分批而不是一次性把整个网格喂进去。连续时间推理脚本通常不需要优化参数只优化网络权重所以优化器里只放model.parameters()即可这一点和识别脚本不同别照抄识别脚本的优化器构造。3.2 推理脚本的验证方式与误差表解读推理跑完后验证不能只看训练损失。常见做法是在训练网格之外另取一组时间点用网络求值后和解析解或高精度数值解对比把误差写进error_table。源码里的误差表按列组织一般第一列是时间或轮次后面几列是不同配置下的误差。读表时注意区分「训练误差」和「外推误差」前者小不代表后者小连续时间方法在外推区间上往往比离散方法稳但前提是网络没有在训练区间过拟合。判断是否过拟合看误差表里训练段和外推段的误差比值。如果训练段误差降到 1e-5 而外推段还在 1e-2说明网络把训练点背下来了需要减小网络宽度或增加物理损失权重。这一步没有固定阈值我的习惯是外推误差不超过训练误差一个数量级才算可用。4. 避坑与排查误差表不收敛时先查这五处4.1 现象损失下降但参数识别值偏离真值很远原因通常是物理损失权重过小网络优先拟合数据噪声把参数带偏。解决方法是把物理损失权重提高一个数量级重跑同时观察error_lambda表里的参数误差是否随之下降。如果提高权重后数据损失爆炸说明两组损失量级差太多应该先对数据做归一化。4.2 现象连续时间脚本一跑就报梯度相关的错原因基本锁定在create_graph没设或设错位置。解决方法是检查所有对时间求导的调用确保第一次求导带create_graphTrue并确认输入张量用了requires_grad_(True)。如果用的是t_grid直接切片切片后的张量可能丢失梯度属性要先 clone 再设。4.3 现象离散时间方法换个小步长结果就崩原因是差分近似对步长敏感步长太小时差分被数值噪声主导太大时截断误差显著。解决方法是把步长和观测采样间隔对齐不要用比采样间隔更小的步长去做差分。如果数据本身采样不均匀离散方法就不合适直接换连续时间脚本。4.4 现象误差表里同一配置两次运行结果差很多原因是随机种子没固定网络初始化和数据划分每次不同。解决方法是在脚本开头统一设torch.manual_seed和numpy.random.seed并在数据打乱前固定顺序。做对比实验时这一步是必须的否则误差表之间的差异分不清是配置带来的还是随机性带来的。4.5 现象训练后期损失突然变成 NaN原因多是学习率过大或物理损失里出现了除零、开方负数等操作。解决方法是先降学习率到 1e-4 重跑如果还炸就检查残差表达式里的每一项定义域。连续时间方法里如果方程含非线性项早期网络输出可能落在定义域外常见做法是给输出加一个温和的激活约束或者在前若干轮只训数据损失、之后再引入物理损失。5. 把误差表用起来交叉验证与参数扫描的一个具体技巧跑通单个脚本只是起点这套源码真正的价值在于四份误差表可以横向对比。我一般会做一件事固定同一组观测数据分别用离散识别、连续识别、离散推理、连续推理跑一遍把四份误差表按同一时间轴对齐后画在一张图上。这样能直接看出在你的数据条件下哪种时间格式的参数识别误差更低、哪种推理的外推更稳。具体操作是把各表的误差列读进来统一列名后合并。import pandas as pd import matplotlib.pyplot as plt files { disc_id: error_lambda_1_table_1.csv, cont_id: error_lambda_1_table_2.csv, disc_inf: error_table_1.csv, cont_inf: error_table_2.csv, } frames {} for name, path in files.items(): df pd.read_csv(path) # 统一取最后一列作为该配置的误差指标列名按实际文件调整 frames[name] df.iloc[:, -1] for name, series in frames.items(): plt.plot(series.values, labelname) plt.yscale(log) # 误差跨数量级时用对数轴才看得清 plt.legend() plt.xlabel(epoch) plt.ylabel(error) plt.show()这段代码的关键在iloc[:, -1]和yscale(log)。前者假设误差在最后一列如果你的表结构不同要改成对应列名后者是因为误差常跨几个数量级线性轴会把小误差压成一条平线。画出来后重点看两件事曲线是否在某个轮次后进入平台期以及不同配置的平台高度差多少。平台期出现得早说明收敛快平台高度低说明精度上限高两者都好的配置才值得作为默认方案。还有一个容易被忽略的点参数扫描时不要只扫学习率。网络宽度、物理损失权重、训练轮次这三个量对结果的影响往往比学习率更大。我的习惯是先固定学习率粗扫宽度和权重各三档找到误差最低的区域后再细调。每次扫描都固定随机种子把结果追加写进新的误差表这样积累几轮后你就有了一份针对自己数据类型的经验配置表比反复看论文里的超参建议实用得多。从那以后我每次拿到新的 PINN 源码都强制先跑一遍最小配置、确认误差表能复现再动任何超参。希望这套拆解帮到你。本文还有配套的精品资源点击获取
PINN物理信息网络Python源码实战：离散与连续时间识别推理及误差表解析
简介这份资源面向从事科学计算与深度学习交叉研究的学生、工程师提供基于PINN物理信息网络的四种时间处理范式离散时间识别、离散时间推理、连续时间识别与连续时间推理每类均配有独立可运行的Python源码与配套数据共4套代码。压缩包共559个文件约475.95MB以503个txt数据与结果记录、13个py脚本、12个csv误差表、9个eps与9个pdf图表文档、7个mat数据文件为主另含少量pyc、yml、html、md与nb文件覆盖从训练、推理到误差统计与可视化输出的完整链路。内容预览中可见error_table、error_lambda_1_table、error_lambda_2_table等误差统计表便于对比不同参数设置下的识别与推理精度。目前已有1546人学习下载适合希望快速复现PINN时间域建模、理解离散与连续时间方案差异并开展误差分析的读者参考。1. 从一组误差表说起这套 PINN 源码到底在解决什么问题如果你手头有一组随时间演化的观测数据想同时把方程里的未知参数和状态轨迹一起反推出来传统做法通常是先离散、再调参、再拟合中间任何一步选错格式都会让结果偏得离谱。这套基于 PINN 物理信息网络的 Python 源码把「离散时间识别」「离散时间推理」「连续时间识别」「连续时间推理」四件事拆成四个独立可跑的脚本配套的error_table_1.csv、error_lambda_1_table_1.csv、error_lambda_2_table_2.csv等误差表正好对应不同时间格式、不同未知参数个数下的精度记录。它适合已经懂一点神经网络、但被正问题求解和反问题识别来回折腾的从业者也适合想把 PINN 从论文公式落到能跑出误差表的新手。下面我按「资源是什么 → 怎么跑起来 → 坑在哪 → 怎么验证」的顺序把这份源码拆开讲清楚。2. 四种时间格式的 PINN 到底差在哪识别与推理的分工2.1 离散时间识别与连续时间识别的本质区别先把四个脚本的名字翻译成人话。识别identification指的是方程形式已知、但里面某些系数未知比如 $\lambda_1$、$\lambda_2$ 这种待定参数网络要在拟合数据的同时把这些系数反推出来推理inference指的是方程和参数都已知网络只负责在给定初边值条件下把解推出来。离散时间和连续时间的差别则在于残差怎么构造离散时间方法把时间导数用差分格式近似残差直接写在离散网格上连续时间方法用自动微分对时间求导残差写在连续域里。这两种路线没有绝对优劣。离散时间方法对采样步长敏感但训练稳定、收敛快适合观测数据本身就是在固定时间网格上采出来的场景连续时间方法不依赖网格理论上可以在任意时刻求值但自动微分的计算图更深训练时容易在早期震荡。源码把两者分开成独立脚本好处是你不用改一套代码去适配两种范式直接对照误差表就能看出同一组数据下哪种格式更划算。error_table_1.csv和error_table_2.csv记录的是状态量本身的误差error_lambda_1_table_1.csv、error_lambda_2_table_1.csv这类文件记录的是参数识别的误差。命名里的table_1、table_2对应不同的实验配置通常是不同的噪声水平或不同的观测点数。看误差表时不要只盯最后一行的最小值要看误差随训练轮次的下降曲线是否平滑震荡剧烈的往往意味着学习率或网络宽度没调好。2.2 四个脚本的目录结构与依赖拿到源码包后先确认目录里至少有这四个入口文件以及它们共用的数据生成和网络定义模块。常见做法是把网络结构、残差构造、训练循环拆成三个文件四个入口脚本只负责组装。依赖方面核心是 PyTorch 和 NumPy画图用 Matplotlib读误差表用 pandas。如果你用的是较新的 PyTorch 版本注意torch.autograd.grad的create_graph参数在连续时间脚本里必须为True否则二阶导会断图。# 建议先建独立环境避免和系统里的老版本 torch 冲突 python -m venv pinn_env source pinn_env/bin/activate # Windows 下用 pinn_env\Scripts\activate pip install torch numpy pandas matplotlib这段命令做三件事建虚拟环境、激活、装四个核心库。参数上唯一要注意的是 torch 的版本CPU 版和 CUDA 版安装命令不同如果你没有 GPU 就直接装默认的 CPU 版连续时间脚本在小规模数据上 CPU 也能跑。装完后用python -c import torch; print(torch.__version__)确认版本避免出现装上了但 import 报错的情况。2.3 跑通第一个脚本离散时间识别的完整流程以离散时间识别为例典型流程是生成或读入观测数据 → 定义网络 → 构造离散残差 → 联合优化数据损失和物理损失 → 输出参数估计和误差表。下面这段是这类脚本里最常见的训练循环骨架你可以对照自己的源码看结构是否一致。import torch import torch.nn as nn # 网络输入时间 t输出状态 u宽度和深度按数据复杂度调 class PINN(nn.Module): def __init__(self, width50, depth4): super().__init__() layers [nn.Linear(1, width), nn.Tanh()] for _ in range(depth - 1): layers [nn.Linear(width, width), nn.Tanh()] layers.append(nn.Linear(width, 1)) self.net nn.Sequential(*layers) def forward(self, t): return self.net(t) # 待识别参数用 nn.Parameter 包起来才会被优化器更新 lambda_1 nn.Parameter(torch.tensor(0.1)) lambda_2 nn.Parameter(torch.tensor(0.1)) optimizer torch.optim.Adam( list(model.parameters()) [lambda_1, lambda_2], lr1e-3 ) for epoch in range(20000): optimizer.zero_grad() u_pred model(t_obs) loss_data torch.mean((u_pred - u_obs) ** 2) # 离散残差用相邻时刻差分近似时间导数 u_t (model(t_grid[1:]) - model(t_grid[:-1])) / dt residual u_t - (lambda_1 * model(t_grid[:-1]) lambda_2 * model(t_grid[:-1]) ** 2) loss_phys torch.mean(residual ** 2) loss loss_data 1e-2 * loss_phys # 权重需要按量级调 loss.backward() optimizer.step()逻辑上分四块网络定义、参数注册、损失构造、反向更新。参数说明上width和depth决定拟合能力数据点少于 100 个时宽度 50、深度 4 通常够用lr取 1e-3 是稳妥起点连续时间脚本可以降到 1e-4物理损失前面的权重1e-2是最需要手调的量太大导致数据拟合不动太小导致参数识别不准。判断权重是否合适看训练日志里loss_data和loss_phys是否在同一量级下降差两个数量级以上就要重新平衡。3. 连续时间推理怎么配自动微分与网格无关求值3.1 连续时间残差的构造与二阶导陷阱连续时间方法的核心是用自动微分代替差分。残差写成 $\partial_t u - f(u, \lambda)$其中 $\partial_t u$ 由torch.autograd.grad对网络输出求时间导数得到。这里有个高频翻车点如果方程里含二阶时间导必须连续求两次导且第一次求导时要设create_graphTrue否则第二次求导会报「element 0 of tensors does not require grad」。源码里连续时间脚本一般会封装一个grad辅助函数你重点检查它有没有把这个参数带上。def grad(outputs, inputs): return torch.autograd.grad( outputs, inputs, grad_outputstorch.ones_like(outputs), create_graphTrue, # 二阶导必须为 True retain_graphTrue )[0] t t_grid.clone().requires_grad_(True) u model(t) u_t grad(u, t) u_tt grad(u_t, t) # 只有需要二阶导时才写这一行参数上retain_graphTrue保证计算图在多次求导间不被释放代价是显存占用上升。如果你的数据规模大、显存吃紧可以把求导点分批而不是一次性把整个网格喂进去。连续时间推理脚本通常不需要优化参数只优化网络权重所以优化器里只放model.parameters()即可这一点和识别脚本不同别照抄识别脚本的优化器构造。3.2 推理脚本的验证方式与误差表解读推理跑完后验证不能只看训练损失。常见做法是在训练网格之外另取一组时间点用网络求值后和解析解或高精度数值解对比把误差写进error_table。源码里的误差表按列组织一般第一列是时间或轮次后面几列是不同配置下的误差。读表时注意区分「训练误差」和「外推误差」前者小不代表后者小连续时间方法在外推区间上往往比离散方法稳但前提是网络没有在训练区间过拟合。判断是否过拟合看误差表里训练段和外推段的误差比值。如果训练段误差降到 1e-5 而外推段还在 1e-2说明网络把训练点背下来了需要减小网络宽度或增加物理损失权重。这一步没有固定阈值我的习惯是外推误差不超过训练误差一个数量级才算可用。4. 避坑与排查误差表不收敛时先查这五处4.1 现象损失下降但参数识别值偏离真值很远原因通常是物理损失权重过小网络优先拟合数据噪声把参数带偏。解决方法是把物理损失权重提高一个数量级重跑同时观察error_lambda表里的参数误差是否随之下降。如果提高权重后数据损失爆炸说明两组损失量级差太多应该先对数据做归一化。4.2 现象连续时间脚本一跑就报梯度相关的错原因基本锁定在create_graph没设或设错位置。解决方法是检查所有对时间求导的调用确保第一次求导带create_graphTrue并确认输入张量用了requires_grad_(True)。如果用的是t_grid直接切片切片后的张量可能丢失梯度属性要先 clone 再设。4.3 现象离散时间方法换个小步长结果就崩原因是差分近似对步长敏感步长太小时差分被数值噪声主导太大时截断误差显著。解决方法是把步长和观测采样间隔对齐不要用比采样间隔更小的步长去做差分。如果数据本身采样不均匀离散方法就不合适直接换连续时间脚本。4.4 现象误差表里同一配置两次运行结果差很多原因是随机种子没固定网络初始化和数据划分每次不同。解决方法是在脚本开头统一设torch.manual_seed和numpy.random.seed并在数据打乱前固定顺序。做对比实验时这一步是必须的否则误差表之间的差异分不清是配置带来的还是随机性带来的。4.5 现象训练后期损失突然变成 NaN原因多是学习率过大或物理损失里出现了除零、开方负数等操作。解决方法是先降学习率到 1e-4 重跑如果还炸就检查残差表达式里的每一项定义域。连续时间方法里如果方程含非线性项早期网络输出可能落在定义域外常见做法是给输出加一个温和的激活约束或者在前若干轮只训数据损失、之后再引入物理损失。5. 把误差表用起来交叉验证与参数扫描的一个具体技巧跑通单个脚本只是起点这套源码真正的价值在于四份误差表可以横向对比。我一般会做一件事固定同一组观测数据分别用离散识别、连续识别、离散推理、连续推理跑一遍把四份误差表按同一时间轴对齐后画在一张图上。这样能直接看出在你的数据条件下哪种时间格式的参数识别误差更低、哪种推理的外推更稳。具体操作是把各表的误差列读进来统一列名后合并。import pandas as pd import matplotlib.pyplot as plt files { disc_id: error_lambda_1_table_1.csv, cont_id: error_lambda_1_table_2.csv, disc_inf: error_table_1.csv, cont_inf: error_table_2.csv, } frames {} for name, path in files.items(): df pd.read_csv(path) # 统一取最后一列作为该配置的误差指标列名按实际文件调整 frames[name] df.iloc[:, -1] for name, series in frames.items(): plt.plot(series.values, labelname) plt.yscale(log) # 误差跨数量级时用对数轴才看得清 plt.legend() plt.xlabel(epoch) plt.ylabel(error) plt.show()这段代码的关键在iloc[:, -1]和yscale(log)。前者假设误差在最后一列如果你的表结构不同要改成对应列名后者是因为误差常跨几个数量级线性轴会把小误差压成一条平线。画出来后重点看两件事曲线是否在某个轮次后进入平台期以及不同配置的平台高度差多少。平台期出现得早说明收敛快平台高度低说明精度上限高两者都好的配置才值得作为默认方案。还有一个容易被忽略的点参数扫描时不要只扫学习率。网络宽度、物理损失权重、训练轮次这三个量对结果的影响往往比学习率更大。我的习惯是先固定学习率粗扫宽度和权重各三档找到误差最低的区域后再细调。每次扫描都固定随机种子把结果追加写进新的误差表这样积累几轮后你就有了一份针对自己数据类型的经验配置表比反复看论文里的超参建议实用得多。从那以后我每次拿到新的 PINN 源码都强制先跑一遍最小配置、确认误差表能复现再动任何超参。希望这套拆解帮到你。本文还有配套的精品资源点击获取
