PyTorchDIA：一种灵活的、GPU加速的差分图像分析数值方法
天体物理仪器与方法
2021-05-04 v2
摘要
我们提出了一种GPU加速的数值方法，用于快速求解核与差分背景。Bramich (2008) 差分图像分析算法中所提出的模型图像类似于一个非常简单的卷积神经网络（CNN），具有单一的卷积滤波器（即核）和一个附加的标量偏置（即差分背景）。在此，我们并非以经典的、解析的线性最小二乘意义求解离散像素阵列。相反，通过利用PyTorch张量（GPU兼容的多维矩阵）及相关的深度学习工具，我们通过一种固有的大规模并行优化来求解核。通过将差分图像分析（DIA）问题转化为利用自动微分工具的GPU加速优化，我们的算法既对标量目标函数的选择具有灵活性，又能在天文数据集上以比其经典对应方法至少快一个数量级的速度执行DIA。更一般地，我们证明了为机器学习开发的工具可用于解决通用的数据分析与建模问题。
引用
@article{arxiv.2104.13715,
title = {PyTorchDIA: A flexible, GPU-accelerated numerical approach to Difference Image Analysis},
author = {James A. Hitchcock and Markus Hundertmark and Daniel Foreman-Mackey and Etienne Bachelet and Martin Dominik and Rachel Street and Yiannis Tsapras},
journal= {arXiv preprint arXiv:2104.13715},
year = {2021}
}
备注
20 pages, 9 figures; updated references