Esta es la aplicación de Windows llamada ForwardDiff.jl, cuya última versión se puede descargar como v1.1.0sourcecode.tar.gz. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descargue y ejecute en línea esta aplicación llamada ForwardDiff.jl con OnWorks de forma gratuita.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie cualquier emulador en línea de OS OnWorks desde este sitio web, pero mejor emulador en línea de Windows.
- 5. Desde el sistema operativo OnWorks Windows que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación e instálala.
- 7. Descargue Wine desde los repositorios de software de sus distribuciones de Linux. Una vez instalada, puede hacer doble clic en la aplicación para ejecutarla con Wine. También puedes probar PlayOnLinux, una elegante interfaz sobre Wine que te ayudará a instalar programas y juegos populares de Windows.
Wine es una forma de ejecutar software de Windows en Linux, pero no requiere Windows. Wine es una capa de compatibilidad de Windows de código abierto que puede ejecutar programas de Windows directamente en cualquier escritorio de Linux. Esencialmente, Wine está tratando de volver a implementar una cantidad suficiente de Windows desde cero para poder ejecutar todas esas aplicaciones de Windows sin necesidad de Windows.
SCREENSHOTS
Ad
ForwardDiff.jl
DESCRIPCIÓN
ForwardDiff implementa métodos para obtener derivadas, gradientes, jacobianos, hessianos y derivadas de orden superior de funciones de Julia nativas (o cualquier objeto invocable) mediante diferenciación automática en modo directo (DA). Si bien el rendimiento puede variar según las funciones que se evalúen, los algoritmos implementados por ForwardDiff generalmente superan a los algoritmos no DA (como la diferenciación finita) tanto en velocidad como en precisión. Funciones como f, que asignan un vector a un escalar, son el mejor ejemplo de diferenciación automática en modo inverso, pero ForwardDiff puede ser una buena opción si x no es demasiado grande, ya que es mucho más simple. El mejor ejemplo de diferenciación en modo directo es una función que asigna un escalar a un vector.
Caracteristicas
- Diferenciación automática en modo directo para Julia
- Diferenciación automática en modo de avance (AD)
- Si bien el rendimiento puede variar según las funciones que evalúes
- Los algoritmos implementados por ForwardDiff generalmente superan a los algoritmos que no son AD
- Funciones como f, que asignan un vector a un escalar, son el mejor caso para la diferenciación automática en modo inverso.
- ForwardDiff aún puede ser una buena opción si x no es demasiado grande, ya que es mucho más simple.
Lenguaje de programación
Julia
Categorías
Esta aplicación también se puede obtener de https://sourceforge.net/projects/forwarddiff-jl.mirror/. Está alojada en OnWorks para facilitar su ejecución en línea desde uno de nuestros sistemas operativos gratuitos.
