ENGLISH | 简体中文

目录

• Heat Transfer PINNs 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

Heat Transfer PINNs 描述

Raissi等人通过为标准全连接深度神经网络设计自定义损失函数，来强制应用于不同场景的已知物理定律，他们的研究表明，我们可以从噪声大且稀疏的数据中， 以惊人的准确度解决或探索偏微分方程。这类方法在现实生活中的应用非常广泛。

本项目通过物理信息神经网络(PINN)再现了热传导的场景。

论文:Raissi M, Perdikaris P, Karniadakis G E. Physics informed deep learning (part i): Data-driven solutions of nonlinear partial differential equations[J]. arXiv preprint arXiv:1711.10561, 2017.

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。

文件./data/1d_transient_100.mat提供了训练模型所需要的数据集，包含如下变量：

• 数据集大小
  • tau:（100, 1） in [0, 1]
  • eta:（256, 1） in [-1, 1]
  • theta:（100, 256）
• 数据格式: .mat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
│   └── 1d_transient_100.mat

您如果需要手动下载数据集或checkpoints文件， 请访问此链接。

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

通过官网安装好MindSpore和上面需要的数据集后，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 \
    --layers 2 20 20 20 20 20 20 20 20 1 \
    --save_ckpt true \
    --save_fig true \
    --load_ckpt false \
    --save_ckpt_path ./checkpoints \
    --load_data_path ./data \
    --load_ckpt_path ./checkpoints/model_200adam_float32.ckpt \
    --figures_path ./figures \
    --log_path ./logs \
    --print_interval 10 \
    --ckpt_interval 10 \
    --lr 0.03 \
    --n_t 200 \
    --n_f 10000 \
    --b1 0.9 \
    --epochs 200 \
    --lbfgs false \
    --nt_epochs 200 \
    --download_data pinn_heattransfer \
    --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:

├── pinn_heattransfer
│   ├── checkpoints                  # checkpoint文件
│   ├── data                         # 数据文件
│   │   └── 1d_transient_100.mat     # 1d transient 100 matlab数据集
│   ├── figures                      # 结果图片
│   ├── logs                         # 日志文件
│   ├── src                          # 源代码
│   │   ├── 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

train.py中的重要参数如下:

训练流程

• 在 GPU/Ascend 上运行

  python train.py

  训练期间的损失值将打印在控制台中， 也可以训练后在日志文件中查看。

  # grep "loss:" log
  step: 0, loss: 1.1074585, interval: 23.024836778640747s, total: 23.024836778640747s
  step: 10, loss: 0.24028176, interval: 29.892443895339966s, total: 52.91728067398071s
  step: 20, loss: 0.2183091, interval: 29.853577613830566s, total: 82.77085828781128s
  step: 30, loss: 0.14730139, interval: 29.850199937820435s, total: 112.62105822563171s
  step: 40, loss: 0.068295084, interval: 29.85150957107544s, total: 142.47256779670715s
  step: 50, loss: 0.045247488, interval: 29.851693391799927s, total: 172.32426118850708s
  step: 60, loss: 0.093925714, interval: 29.878837823867798s, total: 202.20309901237488s
  step: 70, loss: 0.04949145, interval: 29.850360870361328s, total: 232.0534598827362s
  ...

• 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。