Ito ang Linux app na pinangalanang ForwardDiff.jl na ang pinakabagong release ay maaaring ma-download bilang v0.10.39sourcecode.tar.gz. Maaari itong patakbuhin online sa libreng hosting provider na OnWorks para sa mga workstation.
I-download at patakbuhin online ang app na ito na pinangalanang ForwardDiff.jl gamit ang OnWorks nang libre.
Sundin ang mga tagubiling ito upang patakbuhin ang app na ito:
- 1. Na-download ang application na ito sa iyong PC.
- 2. Ipasok sa aming file manager https://www.onworks.net/myfiles.php?username=XXXXX kasama ang username na gusto mo.
- 3. I-upload ang application na ito sa naturang filemanager.
- 4. Simulan ang OnWorks Linux online o Windows online emulator o MACOS online emulator mula sa website na ito.
- 5. Mula sa OnWorks Linux OS na kasisimula mo pa lang, pumunta sa aming file manager https://www.onworks.net/myfiles.php?username=XXXX gamit ang username na gusto mo.
- 6. I-download ang application, i-install ito at patakbuhin ito.
MGA LALAKI
Ad
ForwardDiff.jl
DESCRIPTION
Ang ForwardDiff ay nagpapatupad ng mga pamamaraan para kumuha ng mga derivatives, gradients, Jacobians, Hessians, at higher-order derivatives ng native Julia functions (o anumang callable object, talaga) gamit ang forward mode automatic differentiation (AD). Bagama't maaaring mag-iba-iba ang performance depende sa mga function na sinusuri mo, ang mga algorithm na ipinapatupad ng ForwardDiff sa pangkalahatan ay nahihigitan ng mga hindi AD algorithm (gaya ng finite-differencing) sa parehong bilis at katumpakan. Ang mga function tulad ng f na nagmamapa ng vector sa isang scalar ay ang pinakamahusay na kaso para sa reverse-mode na awtomatikong pagkita ng kaibhan, ngunit ang ForwardDiff ay maaari pa ring maging isang mahusay na pagpipilian kung ang x ay hindi masyadong malaki, dahil ito ay mas simple. Ang pinakamagandang kaso para sa pagkita ng kaibahan ng forward-mode ay isang function na nagmamapa ng scalar sa isang vector.
Mga tampok
- Awtomatikong Differentiation ng Forward Mode para kay Julia
- Awtomatikong pagkakaiba-iba ng forward mode (AD)
- Habang ang pagganap ay maaaring mag-iba depende sa mga function na iyong sinusuri
- Ang mga algorithm na ipinapatupad ng ForwardDiff sa pangkalahatan ay mas mahusay kaysa sa mga hindi AD algorithm
- Ang mga function tulad ng f na nagmamapa ng vector sa isang scalar ay ang pinakamahusay na kaso para sa reverse-mode na awtomatikong pagkita ng kaibhan
- Ang ForwardDiff ay maaari pa ring maging isang mahusay na pagpipilian kung ang x ay hindi masyadong malaki, dahil ito ay mas simple
Wika ng Programming
Julia
Kategorya
Ito ay isang application na maaari ding kunin mula sa https://sourceforge.net/projects/forwarddiff-jl.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.
