F[m-1,:]=100 U[1:-1,1:-1]=(F[1:-1,:-2]+F[1:-1,2:]+F[:-2,1:-1]+F[2:,1:-1])/4 e=abs(U-F).max() #求助老师我这个值为何总是0 x=np.arange(0,m) y=np.arange(0,n) X,Y=np.meshgrid(x,y) C=plt.contour(X,Y,U) plt.clabel(C, inline = True, fontsize = 10)

参考网址：

https://blog.csdn.net/Jerry_Weihuajing/article/details/78253055

import numpy as npimport matplotlib.pyplot as pltm=101n=101U=np.zeros([m,n])F=np.zeros([m,n])#定义边界条件F[m-1,:]=100e=0.001count=0 for i in range(10000): count+=1 F[:,0]=0 F[:,... 其中是 拉普拉斯 算子和 是一个标量函数。 拉普拉斯 方程 和泊松 方程 是椭圆偏微分 方程 得最简单例子。 拉普拉斯 方程 解得一般理论被称为潜在理论。 拉普拉斯 方程 得解是谐波函数，它在许多科学领域都很重要，特别是电磁学，天文学和流体动力学领域。 “ 拉普拉斯 算子：数学中 拉普拉斯 算子获Laplac... Laplace算子作为边缘检测之一，和Sobel算子一样也是工程数学中常用的一种积分变换，属于空间锐化滤波操作。 拉普拉斯 算子（Laplace Operator）是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）。 拉普拉斯 算子是二阶微分线性算子，在图像边缘处理中，二阶微分的边缘定位能力更强，锐化效果更好，因此在进行图像边缘处理时，直接采用二阶微分算子而不使用一阶微分。 图1 一阶微分和二阶微分计算图 离散函数的导数退化成了差分，一维一阶差分公式和二阶差分公式分别为： Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Netw A Closer Look at Spatio temporal Convolutions for Action Recognition Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset