pymc.ode.DifferentialEquation#

class pymc.ode.DifferentialEquation(func, times, *, n_states, n_theta, t0=0)[源代码]#

指定一个常微分方程

由于模型的性质（以及包含的求解器），ODE 求解过程可能会执行得很慢。基于 PyMC 的替代库 sunode 实现了 Adams 方法和 BDF（向后微分公式）。有关 sunode 的更多信息，请访问：aseyboldt/sunode。

\[\dfrac{dy}{dt} = f(y,t,p) \quad y(t_0) = y_0\]

参数:

funccallable(): 指定微分方程的函数。必须接受参数 y (n_states,)、t (标量)、p (n_theta,)
times数组: 用于评估微分方程解的时间数组。
n_statesint: 微分方程的维度。对于标量微分方程，n_states=1。对于向量值微分方程，n_states = 系统中微分方程的数量。
n_thetaint: 微分方程中的参数数量。
t0float: 对应于初始条件的时间

示例

def odefunc(y, t, p):
    #Logistic differential equation
    return p[0] * y[0] * (1 - y[0])

times = np.arange(0.5, 5, 0.5)

ode_model = DifferentialEquation(func=odefunc, times=times, n_states=1, n_theta=1, t0=0)

方法

`DifferentialEquation.L_op`(inputs, outputs, ...)	为 L-算子构建一个图。
`DifferentialEquation.R_op`(inputs, eval_points)	为 R-operator 构建一个图。
`DifferentialEquation.__init__`(func, times, ...)
`DifferentialEquation.add_tag_trace`(thing[, ...])	为节点或变量添加 tag.trace。
`DifferentialEquation.do_constant_folding`(...)	确定是否应为给定节点执行常量折叠。
`DifferentialEquation.get_params`(node)	尝试在 `Op.params_type` 设置为 ParamsType 时获取 Op 的参数。
`DifferentialEquation.grad`(inputs, output_grads)	为每个输入变量构建梯度的图。
`DifferentialEquation.infer_shape`(fgraph, ...)
`DifferentialEquation.make_node`(y0, theta)	构建一个 Apply 节点，表示将此操作应用于给定的输入。
`DifferentialEquation.make_py_thunk`(node, ...)	生成一个 Python thunk。
`DifferentialEquation.make_thunk`(node, ...[, ...])	创建一个 thunk。
`DifferentialEquation.perform`(node, ...)	计算输入上的函数并将变量放入输出存储中。
`DifferentialEquation.prepare_node`(node, ...)	在对 `Op.make_thunk()` 进行操作之前，进行 Op 所需的任何特殊修改。

属性

`default_output`	一个 `int` ，指定 `Op.__call__()` 应该返回哪个输出。
`destroy_map`	一个 `dict` ，它将输出索引映射到它们就地操作的输入索引。
`itypes`
`otypes`
`params_type`
`view_map`	一个 `dict` ，它将输出索引映射到它们所视图的输入索引。