ENGLISH | 简体中文

目录

• Maxwell Net 描述
• 数据集
• 环境要求
• 快速开始
• 脚本说明
  • 脚本和示例代码
  • 脚本参数
  • 训练流程
  • 推理流程

Maxwell Net 描述

本工作利用物理驱动的损失求解麦克斯韦方程，使用Maxwell方程的残差作为损失函数来训练MaxwellNet，因而训练无需Ground Truth。 此外，使用了新颖的反向方案设计MaxwellNet，可以参考主要文章了解详细信息。

论文:Lim J, Psaltis D. MaxwellNet: Physics-driven deep neural network training based on Maxwell’s equations[J]. Apl Photonics, 2022, 7(1).

数据集

用于训练的数据集和预训练checkpoints文件将会在首次启动时自动下载。

使用的数据集:

• 数据集大小
  • scat_pot: (1, 1, 160, 192)
  • ri: (1,)
• 数据格式: .npz文件
  • 注: 数据会在process.py中处理
• 数据集在./data目录下，目录结构如下:

├── data
│   ├── spheric_te
│   │   ├── sample.npz
│   │   └── train.npz
│   ├── spheric_tm
│   │   ├── sample.npz
│   │   └── train.npz

环境要求

• 硬件（Ascend/GPU）
  • 使用 Ascend 或 GPU 处理器准备硬件环境。
• 框架
  • MindSpore
• 欲了解更多信息，请查看以下资源:
  • MindSpore教程
  • MindSpore Python API

快速开始

注：tm 案例不支持动态图模式。

通过官网安装好MindSpore后，就可以开始训练和验证如下:

• 在 Ascend 或 GPU 上运行

默认:

python train.py

完整命令:

python train.py \
    --problem te \
    --in_channels 1 \
    --out_channels 2 \
    --depth 6 \
    --filter 16 \
    --norm weight \
    --up_mode upconv \
    --wavelength 1 \
    --dpl 20 \
    --Nx 160 \
    --Nz 192 \
    --pml_thickness 30 \
    --symmetry_x true \
    --high_order 4 \
    --lr 0.0005 \
    --lr_decay 0.5 \
    --lr_decay_step 50000 \
    --epochs 250001 \
    --ckpt_interval 50000 \
    --save_ckpt true \
    --load_ckpt false \
    --save_ckpt_path ./checkpoints \
    --load_ckpt_path ./checkpoints/te_latest.ckpt \
    --load_data_path ./data/spheric_te \
    --save_fig true \
    --figures_path ./figures \
    --log_path ./logs \
    --download_data maxwell_net \
    --force_download false \
    --amp_level O0 \
    --device_id 0 \
    --mode 0

脚本说明

脚本和示例代码

文件结构如下:

├── maxwell_net
│   ├── checkpoints         # checkpoints文件
│   ├── data                # 数据文件
│   │   ├── spheric_te      # spheric te 案例数据集
│   │   └── spheric_tm      # spheric tm 案例数据集
│   ├── figures             # 结果图片
│   ├── logs                # 日志文件
│   ├── src                 # 源代码目录
│   │   ├── network.py      # 网络架构
│   │   ├── plot.py         # 绘制结果
│   │   └── process.py      # 数据处理
│   ├── config.yaml         # 超参数配置
│   ├── README.md           # 英文模型说明
│   ├── README_CN.md        # 中文模型说明
│   ├── train.py            # python训练脚本
│   └── eval.py             # python评估脚本

脚本参数

总共两个案例. 在 config.yaml 或命令参数中, 可以通过参数 problem 来选择案例.

对于每个问题案例，参数如下:

训练流程

• 在 GPU/Ascend 上运行

  python train.py

  经过训练，loss值会输出如下:

  # grep "loss:" log
  step: 0, loss: 446.1874, interval: 89.43078088760376s, total: 89.43078088760376s, checkpoint saved at: ./checkpoints/model_iter_0_2000-12-31-23-59-59te.ckpt
  'latest' checkpoint saved at 0 epoch.
  step: 10, loss: 149.06134, interval: 1.5497097969055176s, total: 90.98049068450928s
  step: 20, loss: 83.69271, interval: 1.2006518840789795s, total: 92.18114256858826s
  step: 30, loss: 43.22249, interval: 1.1962628364562988s, total: 93.37740540504456s
  step: 40, loss: 33.38814, interval: 1.1976008415222168s, total: 94.57500624656677s
  step: 50, loss: 26.913471, interval: 1.1968715190887451s, total: 95.77187776565552s
  step: 60, loss: 20.579971, interval: 1.1951792240142822s, total: 96.9670569896698s
  step: 70, loss: 17.35663, interval: 1.197744369506836s, total: 98.16480135917664s
  step: 80, loss: 15.115046, interval: 1.2009501457214355s, total: 99.36575150489807s
  step: 90, loss: 12.830681, interval: 1.206284999847412s, total: 100.57203650474548s
  step: 100, loss: 11.197462, interval: 1.2086222171783447s, total: 101.78065872192383s
  ...

• 训练结束后，您仍然可以通过保存在log_path下面的日志文件回顾训练过程，默认为./logs目录中。

• 模型checkpoint将保存在 save_ckpt_path中，默认为./checkpoints 目录中。

推理流程

在运行下面的命令之前，请检查使用的config.yaml 中的checkpoint加载路径load_ckpt_path 进行推理。

• 在 GPU/Ascend 上运行

  python eval.py

您可以通过日志文件log_path查看过程与结果，默认位于./logs 。 结果图片存放于figures_path中，默认位于./figures。