全卷积神经网络用于时空演化物理系统建模的可复现性研究
机器学习
2021-06-01 v1 流体动力学
摘要
通过在完全相同条件（数据库、超参数、硬件）下多次训练同一深度学习的全卷积神经网络，并考虑非确定性图形处理单元 (GPU) 操作，评估其可复现性。以二维声波传播这一典型的时空演化物理系统为对象，在递归与非递归任务上开展研究。观察到模型属性（权重、特征场）的显著变化。当在各种传播基准上测试时，这些模型系统性地给出高偏差的估计，尤其对于递归分析，其因非确定性而强烈放大变异性。采用双精度浮点训练可提供略优的估计，并显著减小网络参数及其测试误差范围的变异性。
引用
@article{arxiv.2105.05482,
title = {On the reproducibility of fully convolutional neural networks for modeling time-space evolving physical systems},
author = {Wagner Gonçalves Pinto and Antonio Alguacil and Michaël Bauerheim},
journal= {arXiv preprint arXiv:2105.05482},
year = {2021}
}