Il s'agit de l'application Linux ForwardDiff.jl, dont la dernière version est téléchargeable sous le nom v0.10.39sourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne cette application nommée ForwardDiff.jl avec OnWorks gratuitement.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN
Ad
ForwardDiff.jl
DESCRIPTION
ForwardDiff implémente des méthodes permettant de calculer les dérivées, les gradients, les jacobiennes, les hessiennes et les dérivées d'ordre supérieur des fonctions Julia natives (ou de tout objet appelable) en utilisant la différentiation automatique en mode direct (AD). Bien que les performances varient selon les fonctions évaluées, les algorithmes implémentés par ForwardDiff surpassent généralement les algorithmes non AD (comme la différence finie) en termes de rapidité et de précision. Des fonctions comme f, qui associent un vecteur à un scalaire, constituent le meilleur cas de différentiation automatique en mode inverse, mais ForwardDiff peut rester un bon choix si x n'est pas trop grand, car il est beaucoup plus simple. Le meilleur cas de différentiation en mode direct est une fonction qui associe un scalaire à un vecteur.
Caractéristiques
- Différenciation automatique en mode direct pour Julia
- Différenciation automatique en mode direct (AD)
- Bien que les performances puissent varier en fonction des fonctions que vous évaluez
- Les algorithmes implémentés par ForwardDiff surpassent généralement les algorithmes non AD
- Les fonctions comme f qui mappent un vecteur à un scalaire sont le meilleur cas pour la différenciation automatique en mode inverse
- ForwardDiff peut toujours être un bon choix si x n'est pas trop grand, car c'est beaucoup plus simple
Langage de programmation
Julia
Catégories
Cette application peut également être téléchargée depuis https://sourceforge.net/projects/forwarddiff-jl.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.
