Physics-based Deep Learning.pdf一书资料领取
近年来,机器学习技术,尤其是深度神经网络,在各个领域取得了令人印象深刻的成就:从图像分类到自然语言处理以及最近的蛋白质折叠。机器学习领域充满活力,发展迅速,前景广阔。物理世界中使用深度学习方法的成功案例引起了人们的关注,即这项技术取代传统的、模拟驱动的科学方法的潜力。最近的工作表明基于NN的代理模型实现了真实世界工业应用(如翼型)所需的精度。
但是,之前市面上任然没有系统全面来阐释这一研究方向,大多是零散的论文研究,还没有著书。最近,由N. Thuerey, P. Holl, M. Mueller, P. Schnell, F. Trost, K. Um六位大佬编写的<<Physics-basedDeep Learning 
这本书从物理学习的概述、物理误差、物理方程、强化学习、算法误差等角度进行了全面的阐述。最令人惊艳的是,全书拥有大量的案例,每一个案例都含有详尽的代码,其编译器均可在Jupyter Notebook上运行,其代码框架是基于最流行的两个框架pytorch和TensorFlow,对深度学习者非常友好。
