koolo233 / baseline4solvingrbconvection

The baseline of Solving the Rayleigh–Bénard Convection with PINN

PINNs for Solving Schrodinger Equation

运行环境

首先需要使用conda配置环境，本Baseline基于Python 3.8，PyTorch1.13.0。 相较于初赛，复赛对算力的要求更高，如果想取得较好的结果，迭代步数在100,000以上，建议使用服务器进行训练。如果使用个人电脑进行训练，显存大于2G就能初步完成训练以及测试。 下述命令如果出现类似于http erro或是retry XXX，请切换为国内源重试。

conda create -n pinn python=3.8
conda activate pinn
pip install torch==1.13.0+cu117 torchvision==0.14.0+cu117 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu117
pip install -r requirements.txt

克隆本Baseline:

git clone [email protected]:koolo233/Baseline4SolvingRBConvection.git
cd Baseline4SolvingRBConvection

本Baseline简介

本Baseline以基础PINN为模型，基于PyTorch实现了复赛的Baseline。包含从数据采样、模型构建、训练、测试以及生成提交文件的完整流程。大家可以在本Baseline的基础上进行修改，实现自己的想法。亦或是使用本Baseline的代码作为参考，实现自己的框架代码。

对于PINN基础理论以及算法框架在此不多赘述，对这部分还有疑问的选手可以参考一并附带的参考文献。

本Baseline的代码注释比较详细，对于代码中的一些细节可以参考注释。

各文件介绍如下：

1. main.py：主文件，包含数据采样、模型构建、训练、测试以及生成提交文件的完整流程。
2. README.md：本文件，包含本Baseline的简介以及使用方法。
3. requirements.txt：包含本Baseline的依赖库。
4. .gitignore：git忽略文件
5. t50_ra1e6_pr1_s42_train_lr.npz：训练数据集，与Kaggle上的一致
6. LICENSE：开源协议

从比赛页面下载测试数据集test.csv，放到Baseline4SolvingSchrodingerEquation文件夹下。 当运行本Baseline后会生成log文件夹，该文件夹中的文件介绍如下：

1. model.pth：训练好的模型，可以直接用于测试。
2. baseline_submission.csv：测试数据集的预测结果，可以直接提交到Kaggle。
3. loss_PINN.txt：训练过程中的损失函数日志，可以用于绘制损失函数曲线。
4. loss_plot.png：损失函数曲线，可以用于查看训练过程中的损失函数变化情况。
5. test_*.png：逐时间切片预测结果，可以用于查看预测结果。

注意：为了减小预测文件的大小，所有输出值应当保留4位小数输出（方法可参考mian.py test()）

希望大家能够利用初赛掌握的PINN方法，在复赛中取得好成绩。

最后：Just Have Fun!

利用PINNs求解PDE的基本流程

基本流程如下：

流程	代码位置
参数定义	main.py 18-28
加载低分辨率数据	main.py 31-74
构建PDE数据集	main.py 77-123
构建神经网络	main.py 126-163
定义基于PDE的损失计算组件	main.py 219-250
构建优化器等训练必要的组件	main.py 190-194
构建并执行训练循环	main.py 166-283
针对测试数据进行模型预测并保存结果	main.py 286-342
main流程	main.py 345-368

运行方法以及提交指南

# 切换到项目下
cd Baseline4SolvingRBConvection
# 训练并测试
python main.py
# 在服务器上如果需要指定显卡（示例为指定0卡，如果需要使用其他卡设置为其他数值），请使用
CUDA_VISIBLE_DEVICES=0 python main.py
# 提交文件将保存到log子文件下
# 将baseline_submission.csv文件提交到Kaggle就完成了一次提交

参考文献

-- S. Esmaeilzadeh, K. Azizzadenesheli, K. Kashinath, et al. Meshfreeflownet: A physics-constrained deep continuous space-time super-resolution framework. SC20: International Conference for High Performance Computing, Networking, Storage and Analysis. IEEE, 2020: 1-15.

baseline4solvingrbconvection's Issues

dataset

Hello, master. Could you please provide the test.csv file for Rayleigh–Bénard Convection?