【hydra No.7】Adapt ldc2d_unsteady_Re10 to hydra (PaddlePaddle#580)

* add ldc2d_unsteady_Re10.yaml, modify ldc2d_unsteady_Re10.py ldc2d_unsteady.md to hydra style

* fix ldc2d_unsteady.md、ldc2d_unsteady_Re10.yaml、ldc2d_unsteady_Re10.py

* fix ldc2d_unsteady_Re10.py

* fix ldc2d_unsteady_Re10.yaml、ldc2d_unsteady_Re10.py

* fix 2 files

* fix 2 files

docs/zh/examples/ldc2d_unsteady.md

@@ -2,6 +2,11 @@
 
 <a href="https://aistudio.baidu.com/aistudio/projectdetail/6160749?contributionType=1&sUid=438690&shared=1&ts=1683961132625" class="md-button md-button--primary" style>AI Studio快速体验</a>
 
+=== "模型训练命令"
+    ``` sh
+    python ldc2d_unsteady_Re10.py
+    ```
+
 ## 1. 背景简介
 
 顶盖方腔驱动流LDC问题在许多领域中都有应用。例如，这个问题可以用于计算流体力学（CFD）领域中验证计算方法的有效性。虽然这个问题的边界条件相对简单，但是其流动特性却非常复杂。在顶盖驱动流LDC中，顶壁朝x方向以U=1的速度移动，而其他三个壁则被定义为无滑移边界条件，即速度为零。
@@ -201,28 +206,24 @@ examples/ldc/ldc2d_unsteady_Re10.py:36:44
 
 ``` py linenums="46"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:46:60
+examples/ldc/ldc2d_unsteady_Re10.py:46:58
 --8<--
 ```
 
 #### 3.4.1 内部点约束
 
 以作用在矩形内部点上的 `InteriorConstraint` 为例，代码如下：
 
-``` py linenums="62"
+``` py linenums="60"
 # set constraint
-pde_constraint = ppsci.constraint.InteriorConstraint(
+pde = ppsci.constraint.InteriorConstraint(
     equation["NavierStokes"].equations,
     {"continuity": 0, "momentum_x": 0, "momentum_y": 0},
     geom["time_rect"],
     {**train_dataloader_cfg, "batch_size": NPOINT_PDE * NTIME_PDE},
     ppsci.loss.MSELoss("sum"),
     evenly=True,
-    weight_dict={
-        "continuity": 0.0001, # (1)
-        "momentum_x": 0.0001,
-        "momentum_y": 0.0001,
-    },
+    weight_dict=cfg.TRAIN.weight.pde,  # (1)
     name="EQ",
 )
 ```
@@ -257,57 +258,57 @@ pde_constraint = ppsci.constraint.InteriorConstraint(
 
 由于 `BoundaryConstraint` 默认会在所有边界上进行采样，而我们需要对四个边界分别施加约束，因此需通过设置 `criteria` 参数，进一步细化出四个边界，如上边界就是符合 $y = 0.05$ 的边界点集
 
-``` py linenums="77"
+``` py linenums="71"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:77:112
+examples/ldc/ldc2d_unsteady_Re10.py:71:106
 --8<--
 ```
 
 #### 3.4.3 初值约束
 
 最后我们还需要对 $t=t_0$ 时刻的矩形内部点施加 N-S 方程约束，代码如下：
 
-``` py linenums="113"
+``` py linenums="107"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:113:121
+examples/ldc/ldc2d_unsteady_Re10.py:107:115
 --8<--
 ```
 
 在微分方程约束、边界约束、初值约束构建完毕之后，以我们刚才的命名为关键字，封装到一个字典中，方便后续访问。
 
-``` py linenums="122"
+``` py linenums="116"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:122:130
+examples/ldc/ldc2d_unsteady_Re10.py:116:124
 --8<--
 ```
 
 ### 3.5 超参数设定
 
-接下来我们需要指定训练轮数和学习率，此处我们按实验经验，使用两万轮训练轮数和带有 warmup 的 Cosine 余弦衰减学习率。
+接下来需要在配置文件中指定训练轮数，此处我们按实验经验，使用两万轮训练轮数和带有 warmup 的 Cosine 余弦衰减学习率。
 
-``` py linenums="132"
+``` py linenums="40"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:132:139
+examples/ldc/conf/ldc2d_unsteady_Re10.yaml:40:43
 --8<--
 ```
 
 ### 3.6 优化器构建
 
 训练过程会调用优化器来更新模型参数，此处选择较为常用的 `Adam` 优化器。
 
-``` py linenums="141"
+``` py linenums="132"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:141:142
+examples/ldc/ldc2d_unsteady_Re10.py:132:133
 --8<--
 ```
 
 ### 3.7 评估器构建
 
 在训练过程中通常会按一定轮数间隔，用验证集（测试集）评估当前模型的训练情况，因此使用 `ppsci.validate.GeometryValidator` 构建评估器。
 
-``` py linenums="144"
+``` py linenums="135"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:144:162
+examples/ldc/ldc2d_unsteady_Re10.py:135:153
 --8<--
 ```
 
@@ -329,19 +330,19 @@ examples/ldc/ldc2d_unsteady_Re10.py:144:162
 
 本文中的输出数据是一个区域内的二维点集，每个时刻 $t$ 的坐标是 $(x^t_i,y^t_i)$，对应值是 $(u^t_i, v^t_i, p^t_i)$，因此我们只需要将评估的输出数据按时刻保存成 16 个 **vtu格式** 文件，最后用可视化软件打开查看即可。代码如下：
 
-``` py linenums="164"
+``` py linenums="155"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:164:195
+examples/ldc/ldc2d_unsteady_Re10.py:155:186
 --8<--
 ```
 
 ### 3.9 模型训练、评估与可视化
 
 完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练、评估、可视化。
 
-``` py linenums="197"
+``` py linenums="188"
 --8<--
-examples/ldc/ldc2d_unsteady_Re10.py:197:
+examples/ldc/ldc2d_unsteady_Re10.py:188:209
 --8<--
 ```
 

examples/ldc/conf/ldc2d_unsteady_Re10.yaml

@@ -0,0 +1,59 @@
+hydra:
+  run:
+    # dynamic output directory according to running time and override name
+    dir: output_ldc2d_unsteady_Re10/${now:%Y-%m-%d}/${now:%H-%M-%S}/${hydra.job.override_dirname}
+  job:
+    name: ${mode} # name of logfile
+    chdir: false # keep current working direcotry unchanged
+    config: 
+      override_dirname:
+        exclude_keys:
+          - TRAIN.checkpoint_path
+          - TRAIN.pretrained_model_path
+          - EVAL.pretrained_model_path
+          - mode
+          - output_dir
+  sweep:
+    # output directory for multirun
+    dir: ${hydra.run.dir}
+    subdir: ./
+
+# general settings
+mode: train # running mode: train/eval
+seed: 42
+output_dir: ${hydra:run.dir}
+
+# set working condition
+NU: 0.01
+RHO: 1.0
+NTIME_ALL: 16
+
+# model settings
+MODEL:
+  model:
+    input_keys: ["t", "x", "y"]
+    output_keys: ["u", "v", "p"]
+    num_layers: 9
+    hidden_size: 50
+    activation: "tanh"
+
+# training settings
+TRAIN:
+  epochs: 20000
+  iters_per_epoch: 1
+  eval_during_train: true
+  eval_freq: 200
+  lr_scheduler:
+    epochs: ${TRAIN.epochs}
+    iters_per_epoch: ${TRAIN.iters_per_epoch}
+    learning_rate: 0.001
+  weight:
+    pde: {"continuity": 0.0001,"momentum_x": 0.0001,"momentum_y": 0.0001}
+  pretrained_model_path: null
+  checkpoint_path: null
+
+# evaluation settings
+EVAL:
+  pretrained_model_path: null
+  batch_size:
+    residual_validator: 8192