人工智能大模型深度学习科学计算科研【免费下载链接】earth2studioOpen-source deep-learning framework for exploring, building and deploying AI weather/climate workflows.项目地址https://gitcode.com/gh_mirrors/ea/earth2studio点击查看免费下载Earth2Studio 是 NVIDIA 推出的开源 AI 天气预报与气候深度学习框架它把模型、数据源和输出模块组装成即插即用的推理流水线。本文将带你用**确定性工作流Deterministic Workflow**快速上手不到 6 行核心代码就能跑出一个 5 天的全球 AI 天气预报无需自己搭建任何神经网络。为什么选择 Earth2Studio对于想体验AI 天气预报却不想啃模型细节的新手来说Earth2Studio 把复杂工作流拆成了 4 个标准件组件作用本例选用预报模型Prognostic深度学习模型逐步向前预测大气状态DLWP每 6 小时一步的全局预报模型数据源DataSource拉取初始场自动缓存到本地GFS全球预报系统IO 后端IOBackend存储和读取预报结果ZarrBackend现代 NetCDF 格式工作流Workflow把上面三者串起来自动跑推理run.deterministic这套取数据 → 预处理 → 跑模型 → 存结果的流水线设计在 docs/userguide/about/overview.md 中有完整说明。你只需替换其中任何一个标准件比如换个模型、换个数据源其余代码不用动——这也是它被称为AI 天气预报框架的原因接口统一、模型可换。模型本身来自 earth2studio/models/px/dlwp.py 中的 DLWP 类权重会自动从 NGC 下载不用手动管理文件。一键安装3 条命令准备好环境安装前请确认已装好 PyTorch有 NVIDIA GPU 可显著提速推荐使用 uv 管理环境# 1. 创建项目并初始化 Python 3.13 环境 mkdir e2s-quickstart cd e2s-quickstart uv init --python3.13 # 2. 安装 Earth2Studio 并带上 DLWP 模型所需依赖 uv add earth2studio[dlwp] # 3. 验证安装 uv run python -c import earth2studio; print(earth2studio.__version__)小贴士基础安装只含核心 API模型、数据源等能力以可选依赖组extras的形式提供。本例的 DLWP 模型需要[dlwp]依赖组完整说明见 docs/userguide/about/install.md。如果本地没有 GPU 也没关系——run.deterministic会自动检测有 CUDA 就用 GPU否则回退到 CPU只是慢一些。6 行代码跑通第一个 AI 天气预报打开一个 Python 脚本核心逻辑只有下面这段from earth2studio.data import GFS from earth2studio.io import ZarrBackend from earth2studio.models.px import DLWP package DLWP.load_default_package() # 自动下载模型权重 model DLWP.load_model(package) # 加载预报模型 data GFS() # 创建数据源 io ZarrBackend() # 创建输出后端 io run.deterministic([2024-01-01], 20, model, data, io)逐行拆解一下这 6 行关键代码DLWP.load_default_package()拉取预训练权重首次运行会联网下载之后走本地缓存DLWP.load_model(package)把权重装进模型得到一个可直接推理的神经网络GFS()数据源负责按需抓取 NCEP 的初始场数据并缓存ZarrBackend()输出存储预报会以 Zarr 网格格式保存run.deterministic(...)真正一键出预报的一行——指定起始时间2024-01-01、预报 20 步每步 6 小时共 5 天工作流会自动完成取数、张量化、逐步推理、写出结果全流程。这个工作流函数的完整实现见 earth2studio/run.py数据源与 IO 后端分别位于 earth2studio/data/gfs.py 和 earth2studio/io/zarr.py。解读结果像翻书一样查看预报运行结束后io对象里就藏着一整套预报数据。io.root.tree()可以打印出数据目录结构时间、预报时效lead_time、经纬度、各气象变量温度、气压、风场……一应俱全。官方示例还演示了如何用 Cartopy 把结果画成全球地图比如挑出预报第 24 小时第 4 步的近地面温度t2m投影到 Robinson 世界图上保存为图片——完整代码在 examples/01_getting_started/01_deterministic_workflow.py 的Post Processing部分直接照着抄即可。常见问题FAQQ1首次运行要等很久正常吗正常。第一次会下载模型权重和 GFS 初始数据之后全部走本地缓存再跑就快多了。Q2没有显卡能跑吗可以。工作流会自动回退到 CPU精度不受影响只是速度较慢。Q3想换别的模型怎么办把DLWP换成其他预报模型如 GraphCast、Pangu、Aurora 等位于 earth2studio/models/px/ 目录即可其余代码几乎不用改——这就是组件化设计的价值。Q4基础安装里找不到某个模型这是正常设计每个模型依赖不同的可选组如[dlwp]、[fcn]。在uv add命令中追加对应 extras 即可详见 docs/userguide/about/install.md。下一步从确定性走向更完整的预报跑通第一个预报只是起点官方在 examples/01_getting_started/ 中还准备了进阶路线诊断工作流用轻量模型从粗分辨率结果推导精细变量02_diagnostic_workflow.py集合预报加入扰动生成概率性天气预报评估不确定性03_ensemble_workflow.py断点续跑长任务崩溃后从检查点恢复04_checkpoint_restart.py。数据源、扰动、统计量等全部组件的说明可参考 docs/userguide/components/index.md配合本教程你已经能自由拼装属于自己的AI 天气预报工作流了。赞分享人工智能大模型深度学习科学计算科研【免费下载链接】earth2studioOpen-source deep-learning framework for exploring, building and deploying AI weather/climate workflows.项目地址https://gitcode.com/gh_mirrors/ea/earth2studio点击查看免费下载相关推荐DiceBear 快速上手用一条 URL 或几行代码生成你的第一个确定性头像DiceBear 快速上手用一条 URL 或几行代码生成你的第一个确定性头像 本文以 DiceBear 官方文档 apps/docs/pages/start/UI组件后端Taskflow 10行代码上手快速写出第一个高性能任务并行程序Taskflow 10行代码上手快速写出第一个高性能任务并行程序 Taskflow 是一款通用的 C 任务并行编程系统 task parallel pr高性能计算并发编程3行代码搞定表格预测AutoGluon零代码AI工具快速上手3行代码搞定表格预测AutoGluon零代码AI工具快速上手 你还在为表格数据建模繁琐流程困扰从数据清洗到模型调参耗费数天本文将展示如何用AutoGluo人工智能机器学习AutoML深度学习数据科学创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 人工智能大模型深度学习科学计算科研【免费下载链接】earth2studioOpen-source deep-learning framework for exploring, building and deploying AI weather/climate workflows.项目地址https://gitcode.com/gh_mirrors/ea/earth2studio点击查看免费下载Earth2Studio 是 NVIDIA 推出的开源 AI 天气预报与气候深度学习框架它把模型、数据源和输出模块组装成即插即用的推理流水线。本文将带你用**确定性工作流Deterministic Workflow**快速上手不到 6 行核心代码就能跑出一个 5 天的全球 AI 天气预报无需自己搭建任何神经网络。为什么选择 Earth2Studio对于想体验AI 天气预报却不想啃模型细节的新手来说Earth2Studio 把复杂工作流拆成了 4 个标准件组件作用本例选用预报模型Prognostic深度学习模型逐步向前预测大气状态DLWP每 6 小时一步的全局预报模型数据源DataSource拉取初始场自动缓存到本地GFS全球预报系统IO 后端IOBackend存储和读取预报结果ZarrBackend现代 NetCDF 格式工作流Workflow把上面三者串起来自动跑推理run.deterministic这套取数据 → 预处理 → 跑模型 → 存结果的流水线设计在 docs/userguide/about/overview.md 中有完整说明。你只需替换其中任何一个标准件比如换个模型、换个数据源其余代码不用动——这也是它被称为AI 天气预报框架的原因接口统一、模型可换。模型本身来自 earth2studio/models/px/dlwp.py 中的 DLWP 类权重会自动从 NGC 下载不用手动管理文件。一键安装3 条命令准备好环境安装前请确认已装好 PyTorch有 NVIDIA GPU 可显著提速推荐使用 uv 管理环境# 1. 创建项目并初始化 Python 3.13 环境 mkdir e2s-quickstart cd e2s-quickstart uv init --python3.13 # 2. 安装 Earth2Studio 并带上 DLWP 模型所需依赖 uv add earth2studio[dlwp] # 3. 验证安装 uv run python -c import earth2studio; print(earth2studio.__version__)小贴士基础安装只含核心 API模型、数据源等能力以可选依赖组extras的形式提供。本例的 DLWP 模型需要[dlwp]依赖组完整说明见 docs/userguide/about/install.md。如果本地没有 GPU 也没关系——run.deterministic会自动检测有 CUDA 就用 GPU否则回退到 CPU只是慢一些。6 行代码跑通第一个 AI 天气预报打开一个 Python 脚本核心逻辑只有下面这段from earth2studio.data import GFS from earth2studio.io import ZarrBackend from earth2studio.models.px import DLWP package DLWP.load_default_package() # 自动下载模型权重 model DLWP.load_model(package) # 加载预报模型 data GFS() # 创建数据源 io ZarrBackend() # 创建输出后端 io run.deterministic([2024-01-01], 20, model, data, io)逐行拆解一下这 6 行关键代码DLWP.load_default_package()拉取预训练权重首次运行会联网下载之后走本地缓存DLWP.load_model(package)把权重装进模型得到一个可直接推理的神经网络GFS()数据源负责按需抓取 NCEP 的初始场数据并缓存ZarrBackend()输出存储预报会以 Zarr 网格格式保存run.deterministic(...)真正一键出预报的一行——指定起始时间2024-01-01、预报 20 步每步 6 小时共 5 天工作流会自动完成取数、张量化、逐步推理、写出结果全流程。这个工作流函数的完整实现见 earth2studio/run.py数据源与 IO 后端分别位于 earth2studio/data/gfs.py 和 earth2studio/io/zarr.py。解读结果像翻书一样查看预报运行结束后io对象里就藏着一整套预报数据。io.root.tree()可以打印出数据目录结构时间、预报时效lead_time、经纬度、各气象变量温度、气压、风场……一应俱全。官方示例还演示了如何用 Cartopy 把结果画成全球地图比如挑出预报第 24 小时第 4 步的近地面温度t2m投影到 Robinson 世界图上保存为图片——完整代码在 examples/01_getting_started/01_deterministic_workflow.py 的Post Processing部分直接照着抄即可。常见问题FAQQ1首次运行要等很久正常吗正常。第一次会下载模型权重和 GFS 初始数据之后全部走本地缓存再跑就快多了。Q2没有显卡能跑吗可以。工作流会自动回退到 CPU精度不受影响只是速度较慢。Q3想换别的模型怎么办把DLWP换成其他预报模型如 GraphCast、Pangu、Aurora 等位于 earth2studio/models/px/ 目录即可其余代码几乎不用改——这就是组件化设计的价值。Q4基础安装里找不到某个模型这是正常设计每个模型依赖不同的可选组如[dlwp]、[fcn]。在uv add命令中追加对应 extras 即可详见 docs/userguide/about/install.md。下一步从确定性走向更完整的预报跑通第一个预报只是起点官方在 examples/01_getting_started/ 中还准备了进阶路线诊断工作流用轻量模型从粗分辨率结果推导精细变量02_diagnostic_workflow.py集合预报加入扰动生成概率性天气预报评估不确定性03_ensemble_workflow.py断点续跑长任务崩溃后从检查点恢复04_checkpoint_restart.py。数据源、扰动、统计量等全部组件的说明可参考 docs/userguide/components/index.md配合本教程你已经能自由拼装属于自己的AI 天气预报工作流了。赞分享人工智能大模型深度学习科学计算科研【免费下载链接】earth2studioOpen-source deep-learning framework for exploring, building and deploying AI weather/climate workflows.项目地址https://gitcode.com/gh_mirrors/ea/earth2studio点击查看免费下载相关推荐DiceBear 快速上手用一条 URL 或几行代码生成你的第一个确定性头像DiceBear 快速上手用一条 URL 或几行代码生成你的第一个确定性头像 本文以 DiceBear 官方文档 apps/docs/pages/start/UI组件后端Taskflow 10行代码上手快速写出第一个高性能任务并行程序Taskflow 10行代码上手快速写出第一个高性能任务并行程序 Taskflow 是一款通用的 C 任务并行编程系统 task parallel pr高性能计算并发编程3行代码搞定表格预测AutoGluon零代码AI工具快速上手3行代码搞定表格预测AutoGluon零代码AI工具快速上手 你还在为表格数据建模繁琐流程困扰从数据清洗到模型调参耗费数天本文将展示如何用AutoGluo人工智能机器学习AutoML深度学习数据科学创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考