python长沙_python 长沙
本文轉(zhuǎn)自量子位(ID:QbitAI) 邊策 魚羊 發(fā)自 凹非寺 量子位 報道 | 公眾號 QbitAI 只用99行代碼，你也可以像《冰雪奇緣》里的艾莎公主一樣擁有冰雪魔法。
雖然你不能在現(xiàn)實世界中肆意變出魔法，但卻能在計算機的虛擬世界揮灑特效。
或許你不知道，電影和動畫中特效有時僅僅短短的一秒，卻可能需要高性能計算機演算一周，花費驚人。
《冰雪奇緣》沒有真人出演，預(yù)算卻高達(dá)1.5億美元，每一秒的鏡頭都是經(jīng)費在燃燒。一般人想用電腦做出CG特效簡直不可想象。
然而，最近一位來自中國的MIT博士，開發(fā)了一種新的CG特效編程語言Taichi(太極)，大大降低了門檻。
△白色：雪；紅色：果凍；藍(lán)色：水 一個簡單的物理場景，普通PC僅需幾分鐘即可渲染完成，相比TensorFlow提速了188倍、比PyTorch快13.4倍，代碼長度只有其他底層方法的十分之一。
安裝它就像TensorFlow一樣容易，使用起來也是差不多：
import taichi as ti
甚至，Taichi的發(fā)明者胡淵鳴同學(xué)還為此編寫了完整使用教程。
關(guān)于Taichi，胡同學(xué)已經(jīng)發(fā)表了多篇文章，分別被SIGGRAGH 2018、ICRA 2019、NeurIPS2019、ICLR 2020等頂會收錄。
計算機圖形學(xué)知名學(xué)者、北大教授陳寶權(quán)給出很高的評價：
給胡淵鳴同學(xué)點贊！一己之力開發(fā)了物理模擬編程語言 Taichi！
像淵鳴這樣如此投入寫有影響力的開源代碼實在是難能可貴。
像SIGGRAPH這樣的，可能要投入1~2年才會有成果，論文接受率低，即使能發(fā)表出來，引用率也不高。
網(wǎng)友們在圍觀之后也紛紛表示：淵鳴大神太強了。
圖形+系統(tǒng)+編譯，真是創(chuàng)世的快樂。
88行代碼模擬真實物理環(huán)境
正如胡同學(xué)本人所說，99行代碼很短，背后的技術(shù)故事卻很長。
故事的開頭，要從Material Point Method(物質(zhì)點法)說起。
MPM是一種在影視特效領(lǐng)域廣受青睞的模擬連續(xù)介質(zhì)方法，迪士尼的《冰雪奇緣》就用到了這項技術(shù)。
但在早期，MPM的運行速度非常慢，比如《冰雪奇緣》里安娜過雪地的鏡頭，據(jù)說要在集群上跑整整一個星期。
為了提高M(jìn)PM的運行速度和性能，在大四畢業(yè)的那個暑假，胡淵鳴投入了Moving Least Squares MPM(MLS-MPM)的研究。
胡淵鳴的靈感是，用移動最小二乘法統(tǒng)一APIC(The Affine Particle-In-Cell Method)中的仿射梯度場(affine velocity field)和MPM中的變形梯度更新(deformation gradient update)兩種離散化。
在賓夕法尼亞大學(xué)蔣陳凡夫教授的指導(dǎo)下，胡淵鳴等人完成了移動最小二乘物質(zhì)點法(MLS-MPM)方法的研究，不僅實現(xiàn)了新的應(yīng)力散度離散化，使MPM的運行速度快了兩倍，還成功模擬了MPM此前并不支持的各種新現(xiàn)象。
比如材料切割：
剛性體的雙向耦合：
這項成果最終發(fā)表在了SIGGRAPH 2018上。
為了進(jìn)一步證明MLS-MPM的簡易性，胡淵鳴用88行C++代碼實現(xiàn)了MLS-MPM的demo。(代碼詳情請戳文末 taichi_mpm 項目鏈接)。
這個88行版本后來也成為了入門MPM的必備參考實現(xiàn)。
乾坤(ChainQueen)可微物理引擎
2017年的夏天結(jié)束之后，胡淵鳴正式進(jìn)入MIT讀博。
這時候，胡淵鳴又迸發(fā)了新的靈感：求出MLS-MPM的導(dǎo)數(shù)。有了導(dǎo)數(shù)，就能只用梯度下降來優(yōu)化神經(jīng)網(wǎng)絡(luò)控制器。
在這一思想的指導(dǎo)下，ChainQueen誕生了。
胡淵鳴解釋說，chain是為了紀(jì)念他在求導(dǎo)過程中被鏈?zhǔn)椒▌t折磨的經(jīng)歷，而ChainQueen則與乾坤諧音。
乾坤基于MLS-MPM，是一種針對可變形對象的、實時的可微混合拉格朗日-歐拉物理模擬器。該模擬器在前向仿真和反向梯度計算中均實現(xiàn)了高精度。
這項研究發(fā)表在了ICRA 2019上，胡淵鳴也以此完成了碩士論文。
DiffTaichi
隨后，胡同學(xué)將工作又推進(jìn)一步，提出了可微分編程DiffTaichi，被ICLR 2020收錄。
在這篇文章的代碼中，胡同學(xué)創(chuàng)建了10個不同的物理模擬器，并根據(jù)現(xiàn)有基準(zhǔn)對其性能進(jìn)行基準(zhǔn)測試。
Taichi中的可微分編程，可以通過蠻力的梯度下降有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)控制器，而不必使用強化學(xué)習(xí)。
10種可微分模擬器中的大多數(shù)模型可以在2-3小時內(nèi)實現(xiàn)，而且大部分不需要GPU。這些示例中，彈性體、剛體、流體、光線的折射、彈性碰撞，常見物理環(huán)境應(yīng)有盡有。
第一個示例可微分彈性對象模擬器，經(jīng)過我們的實測，在2017版13寸的MacBook Pro上也能運行，而且完成優(yōu)化只需不到十分鐘的時間：
不僅是2D，更復(fù)雜的3D彈性體也能模擬：
還有可微分的3D流體模擬器，經(jīng)過450步的梯度下降迭代，已經(jīng)非常逼真：
DiffTaichi模擬水對光線折射的渲染器，一張圖片經(jīng)過它的渲染，甚至能騙過圖像分類器。經(jīng)過測試，VGG16將帶有水波紋的松鼠圖片當(dāng)做金魚，而且認(rèn)為概率為99.91%。
在強化學(xué)習(xí)的模擬環(huán)境中，剛體機器人很常見，DiffTaichi也能模擬：
DiffTaichi還能模擬多個物體的復(fù)雜場景，比如臺球：
用Taichi語言編寫的模擬器大大簡化了代碼，可微分彈性對象模擬器只用了110行代碼，而直接用CUDA編寫則需要490行。
同時，Taichi的速度還很快，相比CUDA版本幾乎沒有什么損失，比TensorFlow快了188倍，比PyTorch快13.4倍。
而且神經(jīng)網(wǎng)絡(luò)控制器一般只需要幾十次迭代，即可完成優(yōu)化。
為何做Taichi
談到為何要做Taichi，計算機圖形學(xué)一直缺乏像TensorFlow那樣的通用工具，每個要從事開發(fā)的人都必須了解基本原理，才能去做編程。
這和深度學(xué)習(xí)領(lǐng)域形成了鮮明的對比。
近年來，甚至有中學(xué)生，利用TensorFlow或者PyTorch，寫一點代碼，優(yōu)化幾個模型，就可以在一些頂會上發(fā)表論文，許多人看來，這是件壞事，因為讓深度學(xué)習(xí)論文的含金量大大降低。
但胡淵鳴看到了另一面。他認(rèn)為，深度學(xué)習(xí)這些年之所以能發(fā)展快、門檻低，就是因為有簡單易用的好工具，計算機圖形學(xué)讓人望而卻步，就是因為缺乏類似的工具，因此他開發(fā)了Taichi。
本來Taichi要做成一種單獨的編程語言，但是為了方便大家使用，胡淵鳴用了一句import taichi as ti把Taichi語言假裝成Python。
改成基于Python，這樣做的好處不僅是降低學(xué)習(xí)門檻，還能使用很多現(xiàn)成的Python IDE，與numpy、matplotlib等工具庫無縫銜接。
經(jīng)過幾個月的努力，胡淵鳴終于把Taichi改成了pypi安裝包，讓不同配置不同操作系統(tǒng)的機器都能順利運行圖形學(xué)的程序。
高一保送清華，博一6篇paper
說起胡淵鳴，這又是一位從少年時代起就熠熠閃光的“大神級”選手。
高一保送清華，競賽生涯中，拿下APIO 2012、NOI 2012、ACM-ICPC 2013長沙區(qū)域賽、ACM-ICPC上海區(qū)域賽四塊金牌，其中APIO 2012成績是全場第一名。
2013年進(jìn)入清華姚班，胡淵鳴與陳立杰、范浩強等人成為同班同學(xué)，這群年輕人的才華在這里匯聚、碰撞，與“姚班”二字相互成就。
本科期間，胡淵鳴先后前往東京大學(xué)、斯坦福大學(xué)訪學(xué)，并曾于微軟亞洲研究院實習(xí)，從事深度學(xué)習(xí)和計算機圖形學(xué)研究。本科便有多篇論文中選CVPR、SIGGRAPH等國際頂會。
2017年，胡淵鳴進(jìn)入MIT讀博。入學(xué)13個月后，完成碩士論文ChainQueen，拿到MIT碩士學(xué)位。博一期間，共發(fā)表6篇頂會論文。
總結(jié)
以上是生活随笔為你收集整理的python长沙_python 长沙的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
