数据与采样
本模块负责与数据的获得、存储和使用的部分。在HiNPS中，我们认为：
每一个约束都应该以一个
Constraint对象来表示所有的约束都保存在一个
Dataset对象中在训练过程中Dataset对象中会根据需要生成Sampler并调用采样逻辑获得数据约束会通过某种计算得到一个值作为损失函数的一部分，所以为了进行这个计算
Constraint对象存储了采样得到的数据，并且定义了这个计算。
Constraint 约束
这一部分内容可以见源代码data/constraint.py中。
Constraint提供了几种基本的约束形式，这几种基本约束形式我们都假设表示为等式约束，需要给出等式左边和右边的函数句柄，然后该约束分别计算两边的结果然后作差作为残差(residual)。
该对象存储了具体采样得到的数据。
x: (S,N,D)，采样得到的数据，S为子区域数目，如果无区域分解则默认为1；N为采样数目；D为输入数据的维度。x_normal: 这一项是在输入数据点计算得到的法向单位向量。value: 是在x上通过等式右边函数句柄进行计算得到的函数值。
约束表达式
为了表示该约束的计算，主要参数如下：
type:str, 表示该约束的类型，[‘dirichlet’,‘neumann’,‘internal’,‘from_neighbour’,‘custom’]internal: 指的是施加在求解区域内部的约束，一般为PDEfrom_neighbour: 指的是在区域分解过程中需要从其他相邻区域获得的边界信息（该类型的约束不需要用户指定）custom: 自定义的约束类型，用户需要自己实现计算函数
rhs_handle: expression.Function, 右侧函数的函数句柄lhs_handle: expression.Function, 左侧函数的函数句柄若为None，则认为只需要直接用神经网络推理得到pred
具体的计算发生在get_residual中。目前我们默认需要由调用者传入一个network用来推理。
狄利克雷（第一类）边界条件
在get_residual中进行正向推理计算，然后与value（等式约束的右侧函数值）作差。
备注
value是在进行采样的时候就算出来的，所以不需要在此处进行计算。
纽曼（第二类）边界条件
需要在构建Constraint的时候传入参数：
grad_dims: List, 指的是需要计算梯度的维度序号，例如：[1,2,3]指的是在3D含时问题时对空间维度求法向[0]指的是对时间维度求“法向”，即对时间求微分。
然后再get_residual中我们会计算正向并且求导得到在采样点的梯度在法向上的投影。
然后与等式右侧的函数值value作差。
PDE约束（internal）
PDE的左侧是比较复杂的含微分的表达式。我们需要创建约束Constraint时明确给出左侧函数的表达式。见pde模块。
它的接口要求是接受u作为待解的函数值（神经网络推理的结果），x作为采样点，然后计算返回偏微分方程的左侧值。
如果x的维度是[S,N,InputDim]，u的维度应当为[S,N,OutputDim]，等式的右侧函数句柄应当返回一个[S,N,OutputDim]，而该左侧的函数句柄lhs_handle应当返回一个[S,N,OutputDim]（与右侧函数句柄范围的数据规模一样）
作用范围
表示该约束在时空上的作用范围，我们有以下主要参数：
on_boundary: bool,默认为True. 用于指定当前约束是否是施加在边界上的filter: expression.Function, 指定当前约束使用的空间范围，time_span: tuple(2)，指定当前约束使用的时间范围，如果为None则默认为全过程，如果两个值相等则认为是一个时刻（例如初始时刻）
自定义你自己的约束
备注
撰写中…
Dataset数据集
Sampler采样器
目前采样器支持的种类有只有GridSample, UniformSample两种。我们需要给出参数有：
inf,sup: 采样范围：我们当前支持在方块区域中采样，只需要给出每个维度的上界(sup)和下界(inf)，例如：inf=List([0,0,0,0]), sup=List([10,2,2,2])
size: 采样数据量device: 采样数据存放的位置, [cpu,cuda:i,…]
构建完采样器后调用.sample()方法可以进行采样。
自定义采样逻辑
我们支持自定义重要性采样、自适应采样等采样策略。实现应当保证接口一致性，在__init__中初始化该采样方法需要的数据；.sample()方法执行采样逻辑。
备注
撰写中…
Coming up…
区域分解