【hydra No.3】Adapt VIV to hydra (PaddlePaddle#622)

* 【hydra No.4】Adapt VIV to hydra

* fix bug

* update

docs/zh/examples/viv.md

@@ -2,6 +2,12 @@
 
 <a href="https://aistudio.baidu.com/aistudio/projectdetail/6160556?contributionType=1&sUid=438690&shared=1&ts=1683961088129" class="md-button md-button--primary" style>AI Studio快速体验</a>
 
+=== "模型训练命令"
+
+    ``` sh
+    python viv.py
+    ```
+
 ## 1. 背景简介
 
 涡激振动（Vortex-Induced Vibration，VIV）是一种流固耦合振动现象，主要发生在流体绕过柱体或管体时。在海洋工程和风工程中，这种振动现象具有重要应用。
@@ -41,9 +47,9 @@ $$
 
 上式中 $g$ 即为 MLP 模型本身，用 PaddleScience 代码表示如下
 
-``` py linenums="28"
+``` py linenums="31"
 --8<--
-examples/fsi/viv.py:28:29
+examples/fsi/viv.py:31:32
 --8<--
 ```
 
@@ -56,9 +62,9 @@ examples/fsi/viv.py:28:29
 
 由于 VIV 使用的是 VIV 方程，因此可以直接使用 PaddleScience 内置的 `VIV`。
 
-``` py linenums="31"
+``` py linenums="34"
 --8<--
-examples/fsi/viv.py:31:32
+examples/fsi/viv.py:34:35
 --8<--
 ```
 
@@ -76,19 +82,19 @@ examples/fsi/viv.py:31:32
 
 在定义约束之前，需要给监督约束指定文件路径等数据读取配置。
 
-``` py linenums="34"
+``` py linenums="37"
 --8<--
-examples/fsi/viv.py:34:50
+examples/fsi/viv.py:37:52
 --8<--
 ```
 
 #### 3.4.1 监督约束
 
 由于我们以监督学习方式进行训练，此处采用监督约束 `SupervisedConstraint`：
 
-``` py linenums="51"
+``` py linenums="54"
 --8<--
-examples/fsi/viv.py:51:57
+examples/fsi/viv.py:54:60
 --8<--
 ```
 
@@ -102,29 +108,29 @@ examples/fsi/viv.py:51:57
 
 在监督约束构建完毕之后，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="58"
+``` py linenums="61"
 --8<--
-examples/fsi/viv.py:58:61
+examples/fsi/viv.py:61:64
 --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，使用十万轮训练轮数，并每隔1000个epochs评估一次模型精度。
 
-``` py linenums="63"
+``` yaml linenums="38"
 --8<--
-examples/fsi/viv.py:63:65
+examples/fsi/conf/viv.yaml:38:51
 --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` 优化器和 `Step` 间隔衰减学习率。
 
-``` py linenums="67"
+``` py linenums="66"
 --8<--
-examples/fsi/viv.py:67:71
+examples/fsi/viv.py:66:68
 --8<--
 ```
 
@@ -136,9 +142,9 @@ examples/fsi/viv.py:67:71
 
 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.SupervisedValidator` 构建评估器。
 
-``` py linenums="73"
+``` py linenums="70"
 --8<--
-examples/fsi/viv.py:73:95
+examples/fsi/viv.py:70:92
 --8<--
 ```
 
@@ -152,19 +158,19 @@ examples/fsi/viv.py:73:95
 
 本文需要可视化的数据是 $t-\eta$ 和 $t-f$ 两组关系图，假设每个时刻 $t$ 的坐标是 $t_i$，则对应网络输出为 $\eta_i$，升力为 $f_i$，因此我们只需要将评估过程中产生的所有 $(t_i, \eta_i, f_i)$ 保存成图片即可。代码如下：
 
-``` py linenums="97"
+``` py linenums="94"
 --8<--
-examples/fsi/viv.py:97:116
+examples/fsi/viv.py:94:113
 --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="118"
+``` py linenums="115"
 --8<--
-examples/fsi/viv.py:118:
+examples/fsi/viv.py:115:136
 --8<--
 ```
 

examples/fsi/conf/viv.yaml

@@ -0,0 +1,58 @@
+hydra:
+  run:
+    # dynamic output directory according to running time and override name
+    dir: outputs_VIV/${now:%Y-%m-%d}/${now:%H-%M-%S}/${hydra.job.override_dirname}
+  job:
+    name: ${mode} # name of logfile
+    chdir: false # keep current working direcotry unchaned
+    config:
+      override_dirname:
+        exclude_keys:
+          - TRAIN.checkpoint_path
+          - TRAIN.pretrained_model_path
+          - EVAL.pretrained_model_path
+          - mode
+          - output_dir
+          - log_freq
+  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}
+log_freq: 20
+
+VIV_DATA_PATH: "./VIV_Training_Neta100.mat"
+
+# model settings
+MODEL:
+  input_keys: ["t_f"]
+  output_keys: ["eta"]
+  num_layers: 5
+  hidden_size: 50
+  activation: "tanh"
+
+# training settings
+TRAIN:
+  epochs: 100000
+  iters_per_epoch: 1
+  save_freq: 1
+  eval_during_train: true
+  eval_freq: 1000
+  batch_size: 100
+  lr_scheduler:
+    epochs: ${TRAIN.epochs}
+    iters_per_epoch: ${TRAIN.iters_per_epoch}
+    learning_rate: 0.001
+    step_size: 20000
+    gamma: 0.9
+  pretrained_model_path: null
+  checkpoint_path: null
+
+# evaluation settings
+EVAL:
+  pretrained_model_path: null
+  batch_size: 32