DeePMDkit模型训练的输出信息

　　从这篇开始将学习如何用DeePMD-kit训练模型。在程序包的examples文件夹里多个算例，路径如下：cd $deepmd_source_dir/examples/
　　单核运行的话，可以直接执行下面的命令：dp train input.json
　　这里input.json就是输入文件的文件名。默认情况下，DeePMD-KIT的详细级别为INFO，用户可以在屏幕上看到许多有关代码和环境的重要信息。其中，关于数据系统的两条信息值得特别关注。DEEPMD INFO ---Summary of DataSystem: training ------------------DEEPMD INFO found 3 system(s):DEEPMD INFO system natoms bch_sz n_bch prob pbcDEEPMD INFO ../data_water/data_0/ 192 1 80 0.250 TDEEPMD INFO ../data_water/data_1/ 192 1 160 0.500 TDEEPMD INFO ../data_water/data_2/ 192 1 80 0.250 TDEEPMD INFO ------------------------------------------------------DEEPMD INFO ---Summary of DataSystem: validation ---------------DEEPMD INFO found 1 system(s):DEEPMD INFO system natoms bch_sz n_bch prob pbcDEEPMD INFO ../data_water/data_3 192 1 80 1.000 TDEEPMD INFO ------------------------------------------------------
　　DeePMD-KIT会打印关于训练和验证数据集的详细信息，由输入脚本中＂training＂部分的＂Training_Data＂和＂Validation_Data＂定义。训练数据集由三个数据系统组成，而验证数据集由一个数据系统组成。系统中的原子数量、batch_size、批次数量以及使用该系统的概率都显示在屏幕上。最后一列显示系统是否假定为周期性边界条件。
　　在训练过程中，用于训练模型的批次和验证数据的number_bch批次的每个disp_freq训练步都开展模型误差测试。训练误差和验证误差打印在disp_file文件中(默认为lcurve.out)。batch_size可以在输入脚本中关于训练和验证数据集部分的关键字BATCH_SIZE来设置。下面是一个输出示例，# step rmse_val rmse_trn rmse_e_val rmse_e_trn rmse_f_val rmse_f_trn lr 0 3.33e+01 3.41e+01 1.03e+01 1.03e+01 8.39e-01 8.72e-01 1.0e-03 100 2.57e+01 2.56e+01 1.87e+00 1.88e+00 8.03e-01 8.02e-01 1.0e-03 200 2.45e+01 2.56e+01 2.26e-01 2.21e-01 7.73e-01 8.10e-01 1.0e-03 300 1.62e+01 1.66e+01 5.01e-02 4.46e-02 5.11e-01 5.26e-01 1.0e-03 400 1.36e+01 1.32e+01 1.07e-02 2.07e-03 4.29e-01 4.19e-01 1.0e-03 500 1.07e+01 1.05e+01 2.45e-03 4.11e-03 3.38e-01 3.31e-01 1.0e-03
　　该文件从左到右包含8列，分别是训练步数、验证损失、训练损失、能量均方根(RMS)验证误差、能量RMS训练误差、力的RMS验证误差、力的RMS训练误差和学习率。能量的均方根误差(RMSE)由系统的原子数归一化。可以通过简单的Python脚本来可视化此文件：import numpy as npimport matplotlib.pyplot as plt
　　data = np.genfromtxt(＂lcurve.out＂, names=True)for name in data.dtype.names[1:-1]: plt.plot(data[＂step＂], data[name], label=name)plt.legendplt.xlabel(＂Step＂)plt.ylabel(＂Loss＂)plt.xscale(＂symlog＂)plt.yscale(＂symlog＂)plt.gridplt.show
　　每个save_freq训练步都会将checkpoints写入前缀为save_ckpt的文件。
　　下一篇我们将学习一个具体的算例！欢迎大家指正！