現(xiàn))
物理信息神經(jīng)網(wǎng)絡(luò)PINN入門課程走到第 11 講這一講不寫復(fù)雜算例先把框架選型這件決定后面所有代碼風(fēng)格的事情講清楚。前面的課程已經(jīng)解釋了 PINN 的核心思路把偏微分方程PDE的殘差、邊界條件、初值條件一起塞進(jìn)損失函數(shù)用神經(jīng)網(wǎng)絡(luò)反向傳播去逼近物理系統(tǒng)的解。到了真正寫代碼這一步新手面臨的第一道坎不是方程而是選 PyTorch 還是 TensorFlow。這個(gè)選擇題沒有標(biāo)準(zhǔn)答案但不同選擇會(huì)直接影響你后續(xù)寫損失函數(shù)、做自動(dòng)微分、跑批量算例、甚至部署到工程環(huán)境的效率。這一講會(huì)把兩個(gè)框架在 PINN 場(chǎng)景下的真實(shí)差異拆開對(duì)比給出可復(fù)制的環(huán)境搭建命令分別用 PyTorch 和 TensorFlow 寫一個(gè)最小可運(yùn)行的 PINN 代碼然后告訴你如何驗(yàn)證訓(xùn)練是否真正收斂、遇到 loss 不下降和梯度異常時(shí)該從哪里排查。讀完這一講你應(yīng)該能根據(jù)自己手里的 GPU、后續(xù)應(yīng)用場(chǎng)景和代碼習(xí)慣做出一個(gè)不后悔的框架選擇。1. 核心能力速覽PINN 代碼本質(zhì)上只需要三個(gè)能力神經(jīng)網(wǎng)絡(luò)前向計(jì)算、自動(dòng)微分求物理殘差、優(yōu)化器更新參數(shù)。兩個(gè)主流框架都具備但使用方式和工程側(cè)重點(diǎn)不同。選型維度PyTorch 方案TensorFlow 方案說明自動(dòng)微分方式torch.autograd.grad動(dòng)態(tài)計(jì)算圖tf.GradientTape默認(rèn) Eager 執(zhí)行PINN 需要高階導(dǎo)數(shù)兩者都能實(shí)現(xiàn)寫法差異明顯網(wǎng)絡(luò)構(gòu)建nn.Module子類化Python 風(fēng)格keras層 API 或自定義tf.keras.ModelPyTorch 更貼近 Python 原生習(xí)慣TensorFlow 更偏工程化組裝自定義損失直接寫函數(shù)返回標(biāo)量 tensor 即可繼承tf.keras.Model重寫train_step或用GradientTape手動(dòng)更新PINN 的損失函數(shù)包含 PDE 殘差兩個(gè)框架都支持調(diào)試體驗(yàn)print直接打印中間張量斷點(diǎn)調(diào)試友好2.x 后 Eager 模式也支持但部分 1.x 舊代碼風(fēng)格有遺留新手建議優(yōu)先考慮調(diào)試便利性部署環(huán)境TorchScript / ONNX / TorchServeTensorFlow Serving / Lite / ONNX如果后續(xù)要把 PINN 模型做成接口服務(wù)需要提前考慮學(xué)習(xí)資源PINN 論文附帶的官方代碼很多基于 PyTorch老牌 PINN 庫(kù)和部分工業(yè)案例使用 TensorFlow找到參考代碼的速度決定上手效率從 PINN 入門角度說更穩(wěn)妥的建議是如果你過去沒寫過任何深度學(xué)習(xí)代碼優(yōu)先選 PyTorch。它的動(dòng)態(tài)圖和 Python 原生風(fēng)格能讓你把注意力放在“物理損失怎么寫”上而不是被框架語法絆住。如果你所在團(tuán)隊(duì)已經(jīng)有 TensorFlow 部署鏈路或者后續(xù)要把 PINN 模型接入工業(yè)流水線就選 TensorFlow。2. PINN 為什么必須用框架先回答一個(gè)很多初學(xué)者會(huì)問的問題PINN 不就是解方程嗎為什么不能自己寫個(gè)普通全連接網(wǎng)絡(luò)普通的神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)一般只依賴模型輸出和標(biāo)簽之間的差值比如交叉熵或均方誤差。但 PINN 的損失函數(shù)里包含對(duì)模型輸出的導(dǎo)數(shù)項(xiàng)。以最簡(jiǎn)單的二維熱傳導(dǎo)方程為例損失函數(shù)要計(jì)算溫度場(chǎng)對(duì)空間坐標(biāo)的二階導(dǎo)數(shù)、對(duì)時(shí)間的導(dǎo)數(shù)然后把方程殘差作為一項(xiàng)加到損失里。這個(gè)需求直接指向深度學(xué)習(xí)框架最核心的能力自動(dòng)微分。你可以手動(dòng)推導(dǎo)導(dǎo)數(shù)表達(dá)式再用有限差分近似但那樣精度低、實(shí)現(xiàn)復(fù)雜而且邊界條件一旦復(fù)雜就基本不可維護(hù)。自動(dòng)微分能把“網(wǎng)絡(luò)輸出對(duì)輸入求導(dǎo)”這件事在每次前向傳播中自動(dòng)完成無論是二階導(dǎo)、混合偏導(dǎo)還是幾十個(gè)輸出分量一起求導(dǎo)都只需要幾行代碼。PINN 對(duì)框架的訴求可以總結(jié)為三點(diǎn)任意階自動(dòng)微分物理方程里的殘差項(xiàng)通常是高階導(dǎo)框架必須支持連續(xù)求導(dǎo)例如先求一階導(dǎo)再對(duì)一階導(dǎo)求導(dǎo)得到二階導(dǎo)。靈活的自定義損失PINN 的損失由 PDE 殘差、邊界條件、初值條件、數(shù)據(jù)擬合項(xiàng)等組成每項(xiàng)權(quán)重不同框架不能限制你只能使用預(yù)置損失函數(shù)。GPU 加速真實(shí)物理問題往往需要成千上萬次迭代純 CPU 訓(xùn)練會(huì)很慢框架必須能很方便地把張量運(yùn)算切到 CUDA。PyTorch 和 TensorFlow 都能滿足這三個(gè)訴求差別在于寫起來順不順手。接下來的章節(jié)分別演示。3. PyTorch 還是 TensorFlow按場(chǎng)景選3.1 什么時(shí)候選 PyTorch如果你是學(xué)術(shù)研究或課程學(xué)習(xí)場(chǎng)景選擇 PyTorch 更合適。原因是近幾年發(fā)布的 PINN 相關(guān)論文中基于 PyTorch 的參考代碼占比很高。遇到問題你很容易在 GitHub 上找到對(duì)應(yīng)實(shí)現(xiàn)把別人的網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)寫法直接拿過來改。PyTorch 的調(diào)試體驗(yàn)對(duì)新手非常友好。你可以在任意一行代碼處設(shè)置斷點(diǎn)查看某個(gè)中間張量的形狀和數(shù)值。PINN 訓(xùn)練過程中經(jīng)常需要檢查某個(gè)物理量殘差的具體數(shù)值這個(gè)特點(diǎn)會(huì)大幅節(jié)省排查時(shí)間。另外PyTorch 的生態(tài)組件對(duì)自定義模型非常友好。torch.utils.data可以做數(shù)據(jù)加載和 batch 劃分torch.optim提供 Adam、L-BFGS 等優(yōu)化器后面如果要做批量物理參數(shù)掃描組合起來很方便。3.2 什么時(shí)候選 TensorFlow如果團(tuán)隊(duì)已經(jīng)有 TensorFlow 部署基礎(chǔ)設(shè)施或者模型最終要放到服務(wù)端長(zhǎng)期運(yùn)行TensorFlow 的部署鏈路會(huì)更成熟。TensorFlow Serving 對(duì)模型的版本管理、線上更新、并發(fā)請(qǐng)求處理都有完整方案這在工業(yè)場(chǎng)景中比“代碼寫起來是否順手”更重要。另外TensorFlow 的tf.keras高層 API 封裝程度很高網(wǎng)絡(luò)層定義、訓(xùn)練循環(huán)結(jié)構(gòu)比較固定。如果你只做標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)擬合物理場(chǎng)用 Keras Sequential API 幾行就能搭完一個(gè)網(wǎng)絡(luò)代碼量看起來確實(shí)更簡(jiǎn)潔。需要提醒的是TensorFlow 2.x 雖然默認(rèn) Eager 執(zhí)行自定義 PINN 時(shí)會(huì)用到tf.GradientTape和手動(dòng)更新參數(shù)這和 PyTorch 的autograd思考方式有些差異但學(xué)會(huì)之后也能順暢使用。3.3 我的建議這一講給出的結(jié)論是入門階段優(yōu)先選 PyTorch不要在這里過度糾結(jié)。核心原因是 PINN 學(xué)習(xí)過程本身就是不斷修改損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)來對(duì)照物理現(xiàn)象的過程PyTorch 的動(dòng)態(tài)圖和 Python 風(fēng)格能讓你用最低的認(rèn)知成本完成這些事情。等真正進(jìn)入工程項(xiàng)目如果框架滿足不了性能或部署需求再考慮遷移到 TensorFlow 或其他推理框架。學(xué)習(xí)階段的代碼遷移成本不高因?yàn)槲锢頁p失的計(jì)算邏輯是通用的換框架只需要重寫網(wǎng)絡(luò)和求導(dǎo)部分。4. 本地部署環(huán)境準(zhǔn)備無論選哪個(gè)框架先準(zhǔn)備好 Python 環(huán)境和 GPU 環(huán)境。下面給出通用步驟適用于 Windows 和 Linux具體版本號(hào)請(qǐng)以官方文檔為準(zhǔn)。4.1 創(chuàng)建獨(dú)立虛擬環(huán)境PINN 學(xué)習(xí)中會(huì)頻繁安裝和更新依賴強(qiáng)烈建議使用虛擬環(huán)境隔離不要直接裝到系統(tǒng) Python 里。# 使用 conda 創(chuàng)建 Python 3.10 環(huán)境 conda create -n pinn python3.10 conda activate pinn如果不使用 conda用 venv 也可以python -m venv pinn_env source pinn_env/bin/activate4.2 安裝 PyTorchPyTorch 的安裝命令需要根據(jù)你的操作系統(tǒng)、CUDA 版本和是否使用 GPU 來選擇建議直接訪問 PyTorch 官網(wǎng)獲取對(duì)應(yīng)命令。一個(gè)通用模板如下# CPU 版本 pip install torch # GPU 版本示例實(shí)際安裝命令以官網(wǎng)選擇為準(zhǔn) pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121注意在命令行直接運(yùn)行pip install torch默認(rèn)安裝的是 PyTorch 官網(wǎng)的預(yù)編譯包CPU 版和 GPU 版的差別在安裝后可以通過torch.cuda.is_available()驗(yàn)證。import torch print(torch.__version__) print(torch.cuda.is_available())如果輸出False說明當(dāng)前環(huán)境沒有可用的 CUDA訓(xùn)練時(shí)只能走 CPU 路徑。4.3 安裝 TensorFlowTensorFlow 同樣分為 CPU 版和 GPU 版。安裝前確認(rèn)你的顯卡驅(qū)動(dòng)支持 CUDA 版本一個(gè)通用模板如下# CPU 版本 pip install tensorflow # GPU 版本通過官方 pip 源安裝 pip install tensorflow安裝完成后同樣需要驗(yàn)證 GPU 是否可用import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果 GPU 列表為空說明 TensorFlow 沒有識(shí)別到 GPU需要檢查驅(qū)動(dòng)和 CUDA 工具包版本。4.4 硬件與磁盤PINN 訓(xùn)練對(duì) GPU 顯存的要求與網(wǎng)絡(luò)規(guī)模和批大小有關(guān)。入門階段用全連接網(wǎng)絡(luò)、每層 20 到 64 個(gè)神經(jīng)元、批大小 128 左右時(shí)顯存占用并不高很多集成顯卡或低端獨(dú)立顯卡也能運(yùn)行。但要注意如果做高維 PDE 或大批量訓(xùn)練顯存占用會(huì)快速上升。這不是框架本身的問題而是自動(dòng)微分需要保存反向傳播所需的中間張量。降低顯存占用的通用辦法是減小 batch size、減少網(wǎng)絡(luò)層數(shù)、降低輸入分辨率或使用混合精度訓(xùn)練。磁盤空間方面Python 環(huán)境加兩個(gè)框架包大約需要 3 到 5 GB如果包含 CUDA 工具包會(huì)更多。建議為訓(xùn)練實(shí)驗(yàn)單獨(dú)準(zhǔn)備一個(gè)數(shù)據(jù)目錄把輸入數(shù)據(jù)、模型權(quán)重和輸出結(jié)果分目錄管理。5. 用 PyTorch 寫一個(gè)最小 PINN下面用一維泊松方程作為示例展示 PyTorch 中 PINN 的完整代碼結(jié)構(gòu)。方程形式為[ -u(x) \pi^2 \sin(\pi x), \quad x \in [0, 1] ]邊界條件為 ( u(0)0, u(1)0 )精確解為 ( u(x)\sin(\pi x) )。PINN 的損失由兩部分組成方程殘差損失和邊界條件損失。import torch import torch.nn as nn # 定義網(wǎng)絡(luò)結(jié)構(gòu) class PINN(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(1, 20), nn.Tanh(), nn.Linear(20, 20), nn.Tanh(), nn.Linear(20, 1) ) def forward(self, x): return self.net(x) # 初始化模型和優(yōu)化器 model PINN() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 計(jì)算方程殘差損失 def pde_loss(x): x.requires_grad_(True) u model(x) # 一階導(dǎo) u_x torch.autograd.grad(u, x, grad_outputstorch.ones_like(u), create_graphTrue)[0] # 二階導(dǎo) u_xx torch.autograd.grad(u_x, x, grad_outputstorch.ones_like(u_x), create_graphTrue)[0] # 方程右端項(xiàng) f torch.pi**2 * torch.sin(torch.pi * x) # 方程殘差 residual -u_xx - f return torch.mean(residual**2) # 邊界條件損失 def boundary_loss(): x_left torch.zeros((100, 1), requires_gradFalse) x_right torch.ones((100, 1), requires_gradFalse) u_left model(x_left) u_right model(x_right) return torch.mean(u_left**2) torch.mean(u_right**2) # 訓(xùn)練循環(huán) n_iter 5000 for it in range(n_iter): optimizer.zero_grad() # 內(nèi)部配置點(diǎn)用于計(jì)算方程殘差 x_collocation torch.rand((256, 1)) # 在 [0,1] 內(nèi)采樣 loss_pde pde_loss(x_collocation) loss_bc boundary_loss() # 加權(quán)組合 loss loss_pde loss_bc loss.backward() optimizer.step() if it % 500 0: print(fIter {it}, Loss: {loss.item():.6f})這段代碼的關(guān)鍵點(diǎn)有三個(gè)requires_grad_(True)讓輸入張量參與自動(dòng)微分這樣神經(jīng)網(wǎng)絡(luò)輸出才能對(duì)輸入求梯度。torch.autograd.grad中的create_graphTrue表示允許對(duì)梯度再求梯度這是計(jì)算二階導(dǎo)的必要條件。邊界條件通過直接輸入x0和x1的采樣點(diǎn)來約束模型輸出。只有一階導(dǎo)的方程create_graph可以設(shè)置為 False需要二階或更高階導(dǎo)數(shù)時(shí)必須保留計(jì)算圖。6. 用 TensorFlow 寫一個(gè)最小 PINNTensorFlow 版本使用GradientTape完成相同的計(jì)算。import tensorflow as tf # 定義網(wǎng)絡(luò) class PINN(tf.keras.Model): def __init__(self): super().__init__() self.dense1 tf.keras.layers.Dense(20, activationtanh) self.dense2 tf.keras.layers.Dense(20, activationtanh) self.dense3 tf.keras.layers.Dense(1) def call(self, x): x self.dense1(x) x self.dense2(x) return self.dense3(x) model PINN() optimizer tf.keras.optimizers.Adam(learning_rate1e-3) # 計(jì)算方程殘差損失 def pde_loss(x): with tf.GradientTape(persistentTrue) as tape: tape.watch(x) u model(x) u_x tape.gradient(u, x) u_xx tape.gradient(u_x, x) f tf.constant(tf.math.pi**2, dtypetf.float32) * tf.sin(tf.constant(tf.math.pi, dtypetf.float32) * x) residual -u_xx - f return tf.reduce_mean(tf.square(residual)) # 訓(xùn)練循環(huán) for it in range(5000): with tf.GradientTape() as tape: x_collocation tf.random.uniform((256, 1), minval0.0, maxval1.0) # 方程殘差損失 loss_pde pde_loss(x_collocation) # 邊界條件損失 x_left tf.zeros((100, 1)) x_right tf.ones((100, 1)) loss_bc tf.reduce_mean(tf.square(model(x_left))) tf.reduce_mean(tf.square(model(x_right))) loss loss_pde loss_bc grads tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) if it % 500 0: print(fIter {it}, Loss: {loss.numpy():.6f})TensorFlow 版本的差異點(diǎn)tf.GradientTape(persistentTrue)允許重復(fù)調(diào)用多次梯度操作。求完一階導(dǎo)再求二階導(dǎo)時(shí)如果用普通GradientTape需要在同一個(gè)上下文內(nèi)完成全部計(jì)算。tf.random.uniform生成采樣點(diǎn)張量默認(rèn)參與自動(dòng)微分但通過tape.watch(x)顯式監(jiān)聽輸入張量。參數(shù)更新需要手動(dòng)apply_gradients這一步在 PyTorch 里對(duì)應(yīng)optimizer.step()。從代碼量看兩個(gè)框架差別不大。真正影響體驗(yàn)的是你對(duì)哪種寫法的直覺更接近。PyTorch 的tensor.grad和autograd更透明TensorFlow 的GradientTape更強(qiáng)調(diào)作用域。7. PINN 典型問題測(cè)試與結(jié)果驗(yàn)證寫完最小代碼后下一步是驗(yàn)證訓(xùn)練是否真的收斂到了物理上正確的解。7.1 用精確解對(duì)照上面的泊松方程有解析解 ( u(x)\sin(\pi x) )。訓(xùn)練結(jié)束后在 [0,1] 上均勻取 100 個(gè)點(diǎn)對(duì)比網(wǎng)絡(luò)輸出和解析解import numpy as np import torch # PyTorch 對(duì)比示例 model.eval() x_test torch.linspace(0, 1, 100).reshape(-1, 1) u_pred model(x_test).detach().numpy().ravel() u_true np.sin(np.pi * x_test.numpy().ravel()) # 計(jì)算最大誤差和均方誤差 error np.abs(u_pred - u_true) print(fMax error: {error.max():.2e}) print(fRMSE: {np.sqrt(np.mean(error**2)):.2e})一般來說迭代到后期最大誤差降到 ( 10^{-2} ) 到 ( 10^{-3} ) 量級(jí)說明模型已經(jīng)學(xué)習(xí)到了方程的主要特征。如果一直停留在 ( 10^{-1} ) 以上需要檢查網(wǎng)絡(luò)層數(shù)、激活函數(shù)、采樣點(diǎn)數(shù)和迭代次數(shù)。7.2 觀察損失曲線的不同階段PINN 訓(xùn)練中損失曲線通常不會(huì)像圖像分類那樣平滑下降。物理殘差和邊界條件損失在初始階段權(quán)重不同可能出現(xiàn)以下幾個(gè)現(xiàn)象邊界條件損失快速下降但 PDE 殘差損失下降緩慢。這說明網(wǎng)絡(luò)優(yōu)先擬合了邊界內(nèi)部物理約束還沒學(xué)透?？梢赃m當(dāng)增大迭代次數(shù)或調(diào)整兩項(xiàng)損失的權(quán)重。PDE 殘差下降到某個(gè)值后不再變化。此時(shí)不一定是代碼寫錯(cuò)了而是網(wǎng)絡(luò)容量或采樣點(diǎn)密度不足。嘗試加深網(wǎng)絡(luò)、增加采樣點(diǎn)或者切換到 L-BFGS 這類二階優(yōu)化器。訓(xùn)練后期損失出現(xiàn)周期性波動(dòng)。這是配置點(diǎn)每次重新采樣導(dǎo)致的屬正常現(xiàn)象。更穩(wěn)定的做法是把配置點(diǎn)固定并進(jìn)行較多次迭代或者使用帶重置策略的采樣方法。7.3 判斷收斂的物理準(zhǔn)則PINN 訓(xùn)練不僅看 Loss 數(shù)值更要看預(yù)測(cè)解是否滿足物理規(guī)律。以熱傳導(dǎo)方程為例預(yù)測(cè)的溫度場(chǎng)不應(yīng)該出現(xiàn)局部突變或違背能量守恒。因此測(cè)試時(shí)應(yīng)增加一組物理約束驗(yàn)證檢查預(yù)測(cè)值的單調(diào)性、極值位置、邊界值誤差。如果預(yù)測(cè)結(jié)果在某些區(qū)域明顯偏離物理直覺優(yōu)先懷疑配置點(diǎn)分布是否覆蓋了這些區(qū)域。PINN 以配置點(diǎn)方式離散物理域配置點(diǎn)稀疏的地方網(wǎng)絡(luò)學(xué)習(xí)到的物理約束就弱。8. 資源占用與性能觀察PINN 訓(xùn)練的資源占用沒有固定數(shù)字因?yàn)樗c網(wǎng)絡(luò)大小、批量大小、方程維度和自動(dòng)微分階數(shù)直接相關(guān)。不過可以給出通用的觀察和調(diào)優(yōu)思路。8.1 如何觀察顯存和內(nèi)存占用訓(xùn)練過程中可以用系統(tǒng)自帶的nvidia-smi命令查看 GPU 顯存占用或者使用watch -n 1 nvidia-smi持續(xù)刷新。在 Python 內(nèi)部也可以用torch.cuda.memory_allocated()獲取當(dāng)前顯存占用。print(torch.cuda.memory_allocated() / 1024**2, MB)如果顯存不足優(yōu)先減少 batch size。PINN 使用隨機(jī)采樣batch size 從 256 降到 128 幾乎不影響物理規(guī)律學(xué)習(xí)反而可能讓單次迭代的穩(wěn)定性提升。8.2 CPU 和 GPU 訓(xùn)練差異PINN 入門代碼在沒有 GPU 的環(huán)境中也能跑起來只是訓(xùn)練速度慢。CPU 訓(xùn)練 5000 次迭代可能在幾分鐘到十幾分鐘GPU 訓(xùn)練通常能在幾秒到幾十秒內(nèi)完成。差異主要來自矩陣運(yùn)算的并行度和自動(dòng)微分構(gòu)建計(jì)算圖的開銷。如果你暫時(shí)沒有 GPU優(yōu)先用小網(wǎng)絡(luò)小采樣點(diǎn)跑通流程。但要注意最后的效果驗(yàn)證部分必須基于真實(shí)訓(xùn)練結(jié)果不能只用小采樣點(diǎn)數(shù)量“硬推”出物理規(guī)律。8.3 如何降低顯存占用幾個(gè)常見手段減少網(wǎng)絡(luò)層數(shù)和每層神經(jīng)元數(shù)。降低每個(gè) iteration 的采樣點(diǎn)數(shù)量。使用混合精度訓(xùn)練例如 PyTorch 的torch.autocast。清理不再使用的中間張量例如del u_x, u_xx; torch.cuda.empty_cache()。這些手段在入門階段不一定都需要但它們能幫助你理解 PINN 的資源瓶頸在哪里后續(xù)做高維問題時(shí)直接用得上。9. 常見問題與排查方法PINN 訓(xùn)練中的問題很多下面列出最常遇到的幾類。問題現(xiàn)象可能原因排查方式解決方案安裝框架后import torch報(bào)錯(cuò)環(huán)境類型不匹配、Python 版本不兼容檢查 Python 版本和 pip 安裝源重新創(chuàng)建虛擬環(huán)境按官方安裝命令安裝torch.cuda.is_available()返回 FalseCUDA 驅(qū)動(dòng)版本過低或 PyTorch 裝成 CPU 版運(yùn)行nvidia-smi查看驅(qū)動(dòng)版本安裝與驅(qū)動(dòng)匹配的 CUDA 版 PyTorchTensorFlow 識(shí)別不到 GPUCUDA、cuDNN 版本與 TensorFlow 版本不匹配運(yùn)行tf.config.list_physical_devices(GPU)參照官方 GPU 支持矩陣安裝對(duì)應(yīng)版本訓(xùn)練時(shí) loss 不下降學(xué)習(xí)率過大或過小、網(wǎng)絡(luò)結(jié)構(gòu)不合理、損失函數(shù)權(quán)重失衡打印各分項(xiàng)損失數(shù)值調(diào)小學(xué)習(xí)率、調(diào)整損失權(quán)重、加大采樣點(diǎn)數(shù)二階導(dǎo)計(jì)算結(jié)果異常create_graph參數(shù)錯(cuò)誤或采樣點(diǎn)超出定義域打印中間梯度值比較檢查create_graphTrue是否設(shè)置訓(xùn)練后期 loss 波動(dòng)大配置點(diǎn)隨機(jī)采樣導(dǎo)致梯度噪聲觀察波動(dòng)幅度固定配置點(diǎn)或增大 batch size預(yù)測(cè)邊界值偏差大邊界條件權(quán)重太低檢查邊界損失數(shù)值提高邊界條件損失權(quán)重模型在局部區(qū)域預(yù)測(cè)異常配置點(diǎn)稀疏可視化采樣點(diǎn)分布該區(qū)域加密采樣點(diǎn)針對(duì)“訓(xùn)練時(shí) loss 不下降”這個(gè)最常見問題一個(gè)有效的排查思路是先把物理損失去掉只保留邊界條件損失看模型是否能學(xué)會(huì)邊界值。如果能學(xué)會(huì)再逐步加回物理殘差定位是哪一項(xiàng)導(dǎo)致數(shù)值不穩(wěn)定。10. 框架學(xué)習(xí)路徑與工程實(shí)踐建議選框架只是起點(diǎn)真正決定 PINN 學(xué)習(xí)進(jìn)度的是后面幾個(gè)習(xí)慣。第一建議把“最小可運(yùn)行代碼”保存下來。后續(xù)所有更復(fù)雜的算例都在這份代碼基礎(chǔ)上修改網(wǎng)絡(luò)、損失函數(shù)和數(shù)據(jù)加載邏輯。不要每次從零開始寫。第二訓(xùn)練過程中要有記錄意識(shí)。每次修改網(wǎng)絡(luò)結(jié)構(gòu)、采樣點(diǎn)數(shù)或?qū)W習(xí)率后記錄 loss 曲線和最終預(yù)測(cè)誤差并保留模型權(quán)重文件。這樣能準(zhǔn)確判斷哪個(gè)改動(dòng)帶來了實(shí)際效果而不是靠感覺調(diào)參。第三批量實(shí)驗(yàn)時(shí)要做好任務(wù)隊(duì)列。PINN 經(jīng)常需要掃描多個(gè)物理參數(shù)例如擴(kuò)散系數(shù)、邊界溫度、材料屬性等?？梢韵葘懸粋€(gè)參數(shù)列表循環(huán)創(chuàng)建不同實(shí)驗(yàn)?zāi)夸浢總€(gè)目錄下保存對(duì)應(yīng)配置和模型輸出。接口調(diào)用層面如果后面要把訓(xùn)練好的 PINN 模型封裝成服務(wù)優(yōu)先考慮 ONNX 導(dǎo)出或框架自帶的 serving 方案這樣其他程序可以通過統(tǒng)一接口訪問模型。第四合規(guī)問題需要從一開始就重視。如果使用實(shí)驗(yàn)數(shù)據(jù)、仿真數(shù)據(jù)或任何第三方數(shù)據(jù)集務(wù)必確認(rèn)數(shù)據(jù)來源合法、具備使用權(quán)。涉及真實(shí)工業(yè)生產(chǎn)數(shù)據(jù)、人體相關(guān)數(shù)據(jù)或受版權(quán)保護(hù)的材料時(shí)必須做匿名化和授權(quán)合規(guī)處理。PINN 的應(yīng)用場(chǎng)景越多數(shù)據(jù)合規(guī)的邊界就越重要。第五不要盲目使用最新版本框架。對(duì)于 PINN 學(xué)習(xí)穩(wěn)定性和生態(tài)兼容性比新功能更重要。熱門框架版本升級(jí)后自動(dòng)微分 API 或部署工具鏈可能發(fā)生變動(dòng)優(yōu)先選擇文檔較為成熟、周圍同學(xué)或同事用得多的版本。11. 這一講之后第 12 講方向本講已經(jīng)完成框架選型和最小代碼驗(yàn)證。接下來第 12 講會(huì)繼續(xù)深入 PINN 的損失函數(shù)權(quán)重配置、激活函數(shù)選擇以及邊界條件的標(biāo)準(zhǔn)化處理這些都是實(shí)際訓(xùn)練中直接影響收斂速度和精度的細(xì)節(jié)。建議你先動(dòng)手跑一遍本講的代碼把 PyTorch 和 TensorFlow 兩個(gè)版本都運(yùn)行一次對(duì)比兩者的 loss 下降速度。通過這個(gè)對(duì)比你才能真正理解框架選擇對(duì)你編程習(xí)慣和調(diào)試效率的影響。選擇 PyTorch 還是 TensorFlow答案不在別人嘴里在你自己的運(yùn)行結(jié)果里。 PINN入門：PyTorch與TensorFlow框架選型及最小實(shí)現(xiàn)
物理信息神經(jīng)網(wǎng)絡(luò)PINN入門課程走到第 11 講這一講不寫復(fù)雜算例先把框架選型這件決定后面所有代碼風(fēng)格的事情講清楚。前面的課程已經(jīng)解釋了 PINN 的核心思路把偏微分方程PDE的殘差、邊界條件、初值條件一起塞進(jìn)損失函數(shù)用神經(jīng)網(wǎng)絡(luò)反向傳播去逼近物理系統(tǒng)的解。到了真正寫代碼這一步新手面臨的第一道坎不是方程而是選 PyTorch 還是 TensorFlow。這個(gè)選擇題沒有標(biāo)準(zhǔn)答案但不同選擇會(huì)直接影響你后續(xù)寫損失函數(shù)、做自動(dòng)微分、跑批量算例、甚至部署到工程環(huán)境的效率。這一講會(huì)把兩個(gè)框架在 PINN 場(chǎng)景下的真實(shí)差異拆開對(duì)比給出可復(fù)制的環(huán)境搭建命令分別用 PyTorch 和 TensorFlow 寫一個(gè)最小可運(yùn)行的 PINN 代碼然后告訴你如何驗(yàn)證訓(xùn)練是否真正收斂、遇到 loss 不下降和梯度異常時(shí)該從哪里排查。讀完這一講你應(yīng)該能根據(jù)自己手里的 GPU、后續(xù)應(yīng)用場(chǎng)景和代碼習(xí)慣做出一個(gè)不后悔的框架選擇。1. 核心能力速覽PINN 代碼本質(zhì)上只需要三個(gè)能力神經(jīng)網(wǎng)絡(luò)前向計(jì)算、自動(dòng)微分求物理殘差、優(yōu)化器更新參數(shù)。兩個(gè)主流框架都具備但使用方式和工程側(cè)重點(diǎn)不同。選型維度PyTorch 方案TensorFlow 方案說明自動(dòng)微分方式torch.autograd.grad動(dòng)態(tài)計(jì)算圖tf.GradientTape默認(rèn) Eager 執(zhí)行PINN 需要高階導(dǎo)數(shù)兩者都能實(shí)現(xiàn)寫法差異明顯網(wǎng)絡(luò)構(gòu)建nn.Module子類化Python 風(fēng)格keras層 API 或自定義tf.keras.ModelPyTorch 更貼近 Python 原生習(xí)慣TensorFlow 更偏工程化組裝自定義損失直接寫函數(shù)返回標(biāo)量 tensor 即可繼承tf.keras.Model重寫train_step或用GradientTape手動(dòng)更新PINN 的損失函數(shù)包含 PDE 殘差兩個(gè)框架都支持調(diào)試體驗(yàn)print直接打印中間張量斷點(diǎn)調(diào)試友好2.x 后 Eager 模式也支持但部分 1.x 舊代碼風(fēng)格有遺留新手建議優(yōu)先考慮調(diào)試便利性部署環(huán)境TorchScript / ONNX / TorchServeTensorFlow Serving / Lite / ONNX如果后續(xù)要把 PINN 模型做成接口服務(wù)需要提前考慮學(xué)習(xí)資源PINN 論文附帶的官方代碼很多基于 PyTorch老牌 PINN 庫(kù)和部分工業(yè)案例使用 TensorFlow找到參考代碼的速度決定上手效率從 PINN 入門角度說更穩(wěn)妥的建議是如果你過去沒寫過任何深度學(xué)習(xí)代碼優(yōu)先選 PyTorch。它的動(dòng)態(tài)圖和 Python 原生風(fēng)格能讓你把注意力放在“物理損失怎么寫”上而不是被框架語法絆住。如果你所在團(tuán)隊(duì)已經(jīng)有 TensorFlow 部署鏈路或者后續(xù)要把 PINN 模型接入工業(yè)流水線就選 TensorFlow。2. PINN 為什么必須用框架先回答一個(gè)很多初學(xué)者會(huì)問的問題PINN 不就是解方程嗎為什么不能自己寫個(gè)普通全連接網(wǎng)絡(luò)普通的神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)一般只依賴模型輸出和標(biāo)簽之間的差值比如交叉熵或均方誤差。但 PINN 的損失函數(shù)里包含對(duì)模型輸出的導(dǎo)數(shù)項(xiàng)。以最簡(jiǎn)單的二維熱傳導(dǎo)方程為例損失函數(shù)要計(jì)算溫度場(chǎng)對(duì)空間坐標(biāo)的二階導(dǎo)數(shù)、對(duì)時(shí)間的導(dǎo)數(shù)然后把方程殘差作為一項(xiàng)加到損失里。這個(gè)需求直接指向深度學(xué)習(xí)框架最核心的能力自動(dòng)微分。你可以手動(dòng)推導(dǎo)導(dǎo)數(shù)表達(dá)式再用有限差分近似但那樣精度低、實(shí)現(xiàn)復(fù)雜而且邊界條件一旦復(fù)雜就基本不可維護(hù)。自動(dòng)微分能把“網(wǎng)絡(luò)輸出對(duì)輸入求導(dǎo)”這件事在每次前向傳播中自動(dòng)完成無論是二階導(dǎo)、混合偏導(dǎo)還是幾十個(gè)輸出分量一起求導(dǎo)都只需要幾行代碼。PINN 對(duì)框架的訴求可以總結(jié)為三點(diǎn)任意階自動(dòng)微分物理方程里的殘差項(xiàng)通常是高階導(dǎo)框架必須支持連續(xù)求導(dǎo)例如先求一階導(dǎo)再對(duì)一階導(dǎo)求導(dǎo)得到二階導(dǎo)。靈活的自定義損失PINN 的損失由 PDE 殘差、邊界條件、初值條件、數(shù)據(jù)擬合項(xiàng)等組成每項(xiàng)權(quán)重不同框架不能限制你只能使用預(yù)置損失函數(shù)。GPU 加速真實(shí)物理問題往往需要成千上萬次迭代純 CPU 訓(xùn)練會(huì)很慢框架必須能很方便地把張量運(yùn)算切到 CUDA。PyTorch 和 TensorFlow 都能滿足這三個(gè)訴求差別在于寫起來順不順手。接下來的章節(jié)分別演示。3. PyTorch 還是 TensorFlow按場(chǎng)景選3.1 什么時(shí)候選 PyTorch如果你是學(xué)術(shù)研究或課程學(xué)習(xí)場(chǎng)景選擇 PyTorch 更合適。原因是近幾年發(fā)布的 PINN 相關(guān)論文中基于 PyTorch 的參考代碼占比很高。遇到問題你很容易在 GitHub 上找到對(duì)應(yīng)實(shí)現(xiàn)把別人的網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)寫法直接拿過來改。PyTorch 的調(diào)試體驗(yàn)對(duì)新手非常友好。你可以在任意一行代碼處設(shè)置斷點(diǎn)查看某個(gè)中間張量的形狀和數(shù)值。PINN 訓(xùn)練過程中經(jīng)常需要檢查某個(gè)物理量殘差的具體數(shù)值這個(gè)特點(diǎn)會(huì)大幅節(jié)省排查時(shí)間。另外PyTorch 的生態(tài)組件對(duì)自定義模型非常友好。torch.utils.data可以做數(shù)據(jù)加載和 batch 劃分torch.optim提供 Adam、L-BFGS 等優(yōu)化器后面如果要做批量物理參數(shù)掃描組合起來很方便。3.2 什么時(shí)候選 TensorFlow如果團(tuán)隊(duì)已經(jīng)有 TensorFlow 部署基礎(chǔ)設(shè)施或者模型最終要放到服務(wù)端長(zhǎng)期運(yùn)行TensorFlow 的部署鏈路會(huì)更成熟。TensorFlow Serving 對(duì)模型的版本管理、線上更新、并發(fā)請(qǐng)求處理都有完整方案這在工業(yè)場(chǎng)景中比“代碼寫起來是否順手”更重要。另外TensorFlow 的tf.keras高層 API 封裝程度很高網(wǎng)絡(luò)層定義、訓(xùn)練循環(huán)結(jié)構(gòu)比較固定。如果你只做標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)擬合物理場(chǎng)用 Keras Sequential API 幾行就能搭完一個(gè)網(wǎng)絡(luò)代碼量看起來確實(shí)更簡(jiǎn)潔。需要提醒的是TensorFlow 2.x 雖然默認(rèn) Eager 執(zhí)行自定義 PINN 時(shí)會(huì)用到tf.GradientTape和手動(dòng)更新參數(shù)這和 PyTorch 的autograd思考方式有些差異但學(xué)會(huì)之后也能順暢使用。3.3 我的建議這一講給出的結(jié)論是入門階段優(yōu)先選 PyTorch不要在這里過度糾結(jié)。核心原因是 PINN 學(xué)習(xí)過程本身就是不斷修改損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)來對(duì)照物理現(xiàn)象的過程PyTorch 的動(dòng)態(tài)圖和 Python 風(fēng)格能讓你用最低的認(rèn)知成本完成這些事情。等真正進(jìn)入工程項(xiàng)目如果框架滿足不了性能或部署需求再考慮遷移到 TensorFlow 或其他推理框架。學(xué)習(xí)階段的代碼遷移成本不高因?yàn)槲锢頁p失的計(jì)算邏輯是通用的換框架只需要重寫網(wǎng)絡(luò)和求導(dǎo)部分。4. 本地部署環(huán)境準(zhǔn)備無論選哪個(gè)框架先準(zhǔn)備好 Python 環(huán)境和 GPU 環(huán)境。下面給出通用步驟適用于 Windows 和 Linux具體版本號(hào)請(qǐng)以官方文檔為準(zhǔn)。4.1 創(chuàng)建獨(dú)立虛擬環(huán)境PINN 學(xué)習(xí)中會(huì)頻繁安裝和更新依賴強(qiáng)烈建議使用虛擬環(huán)境隔離不要直接裝到系統(tǒng) Python 里。# 使用 conda 創(chuàng)建 Python 3.10 環(huán)境 conda create -n pinn python3.10 conda activate pinn如果不使用 conda用 venv 也可以python -m venv pinn_env source pinn_env/bin/activate4.2 安裝 PyTorchPyTorch 的安裝命令需要根據(jù)你的操作系統(tǒng)、CUDA 版本和是否使用 GPU 來選擇建議直接訪問 PyTorch 官網(wǎng)獲取對(duì)應(yīng)命令。一個(gè)通用模板如下# CPU 版本 pip install torch # GPU 版本示例實(shí)際安裝命令以官網(wǎng)選擇為準(zhǔn) pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121注意在命令行直接運(yùn)行pip install torch默認(rèn)安裝的是 PyTorch 官網(wǎng)的預(yù)編譯包CPU 版和 GPU 版的差別在安裝后可以通過torch.cuda.is_available()驗(yàn)證。import torch print(torch.__version__) print(torch.cuda.is_available())如果輸出False說明當(dāng)前環(huán)境沒有可用的 CUDA訓(xùn)練時(shí)只能走 CPU 路徑。4.3 安裝 TensorFlowTensorFlow 同樣分為 CPU 版和 GPU 版。安裝前確認(rèn)你的顯卡驅(qū)動(dòng)支持 CUDA 版本一個(gè)通用模板如下# CPU 版本 pip install tensorflow # GPU 版本通過官方 pip 源安裝 pip install tensorflow安裝完成后同樣需要驗(yàn)證 GPU 是否可用import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果 GPU 列表為空說明 TensorFlow 沒有識(shí)別到 GPU需要檢查驅(qū)動(dòng)和 CUDA 工具包版本。4.4 硬件與磁盤PINN 訓(xùn)練對(duì) GPU 顯存的要求與網(wǎng)絡(luò)規(guī)模和批大小有關(guān)。入門階段用全連接網(wǎng)絡(luò)、每層 20 到 64 個(gè)神經(jīng)元、批大小 128 左右時(shí)顯存占用并不高很多集成顯卡或低端獨(dú)立顯卡也能運(yùn)行。但要注意如果做高維 PDE 或大批量訓(xùn)練顯存占用會(huì)快速上升。這不是框架本身的問題而是自動(dòng)微分需要保存反向傳播所需的中間張量。降低顯存占用的通用辦法是減小 batch size、減少網(wǎng)絡(luò)層數(shù)、降低輸入分辨率或使用混合精度訓(xùn)練。磁盤空間方面Python 環(huán)境加兩個(gè)框架包大約需要 3 到 5 GB如果包含 CUDA 工具包會(huì)更多。建議為訓(xùn)練實(shí)驗(yàn)單獨(dú)準(zhǔn)備一個(gè)數(shù)據(jù)目錄把輸入數(shù)據(jù)、模型權(quán)重和輸出結(jié)果分目錄管理。5. 用 PyTorch 寫一個(gè)最小 PINN下面用一維泊松方程作為示例展示 PyTorch 中 PINN 的完整代碼結(jié)構(gòu)。方程形式為[ -u(x) \pi^2 \sin(\pi x), \quad x \in [0, 1] ]邊界條件為 ( u(0)0, u(1)0 )精確解為 ( u(x)\sin(\pi x) )。PINN 的損失由兩部分組成方程殘差損失和邊界條件損失。import torch import torch.nn as nn # 定義網(wǎng)絡(luò)結(jié)構(gòu) class PINN(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Linear(1, 20), nn.Tanh(), nn.Linear(20, 20), nn.Tanh(), nn.Linear(20, 1) ) def forward(self, x): return self.net(x) # 初始化模型和優(yōu)化器 model PINN() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 計(jì)算方程殘差損失 def pde_loss(x): x.requires_grad_(True) u model(x) # 一階導(dǎo) u_x torch.autograd.grad(u, x, grad_outputstorch.ones_like(u), create_graphTrue)[0] # 二階導(dǎo) u_xx torch.autograd.grad(u_x, x, grad_outputstorch.ones_like(u_x), create_graphTrue)[0] # 方程右端項(xiàng) f torch.pi**2 * torch.sin(torch.pi * x) # 方程殘差 residual -u_xx - f return torch.mean(residual**2) # 邊界條件損失 def boundary_loss(): x_left torch.zeros((100, 1), requires_gradFalse) x_right torch.ones((100, 1), requires_gradFalse) u_left model(x_left) u_right model(x_right) return torch.mean(u_left**2) torch.mean(u_right**2) # 訓(xùn)練循環(huán) n_iter 5000 for it in range(n_iter): optimizer.zero_grad() # 內(nèi)部配置點(diǎn)用于計(jì)算方程殘差 x_collocation torch.rand((256, 1)) # 在 [0,1] 內(nèi)采樣 loss_pde pde_loss(x_collocation) loss_bc boundary_loss() # 加權(quán)組合 loss loss_pde loss_bc loss.backward() optimizer.step() if it % 500 0: print(fIter {it}, Loss: {loss.item():.6f})這段代碼的關(guān)鍵點(diǎn)有三個(gè)requires_grad_(True)讓輸入張量參與自動(dòng)微分這樣神經(jīng)網(wǎng)絡(luò)輸出才能對(duì)輸入求梯度。torch.autograd.grad中的create_graphTrue表示允許對(duì)梯度再求梯度這是計(jì)算二階導(dǎo)的必要條件。邊界條件通過直接輸入x0和x1的采樣點(diǎn)來約束模型輸出。只有一階導(dǎo)的方程create_graph可以設(shè)置為 False需要二階或更高階導(dǎo)數(shù)時(shí)必須保留計(jì)算圖。6. 用 TensorFlow 寫一個(gè)最小 PINNTensorFlow 版本使用GradientTape完成相同的計(jì)算。import tensorflow as tf # 定義網(wǎng)絡(luò) class PINN(tf.keras.Model): def __init__(self): super().__init__() self.dense1 tf.keras.layers.Dense(20, activationtanh) self.dense2 tf.keras.layers.Dense(20, activationtanh) self.dense3 tf.keras.layers.Dense(1) def call(self, x): x self.dense1(x) x self.dense2(x) return self.dense3(x) model PINN() optimizer tf.keras.optimizers.Adam(learning_rate1e-3) # 計(jì)算方程殘差損失 def pde_loss(x): with tf.GradientTape(persistentTrue) as tape: tape.watch(x) u model(x) u_x tape.gradient(u, x) u_xx tape.gradient(u_x, x) f tf.constant(tf.math.pi**2, dtypetf.float32) * tf.sin(tf.constant(tf.math.pi, dtypetf.float32) * x) residual -u_xx - f return tf.reduce_mean(tf.square(residual)) # 訓(xùn)練循環(huán) for it in range(5000): with tf.GradientTape() as tape: x_collocation tf.random.uniform((256, 1), minval0.0, maxval1.0) # 方程殘差損失 loss_pde pde_loss(x_collocation) # 邊界條件損失 x_left tf.zeros((100, 1)) x_right tf.ones((100, 1)) loss_bc tf.reduce_mean(tf.square(model(x_left))) tf.reduce_mean(tf.square(model(x_right))) loss loss_pde loss_bc grads tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) if it % 500 0: print(fIter {it}, Loss: {loss.numpy():.6f})TensorFlow 版本的差異點(diǎn)tf.GradientTape(persistentTrue)允許重復(fù)調(diào)用多次梯度操作。求完一階導(dǎo)再求二階導(dǎo)時(shí)如果用普通GradientTape需要在同一個(gè)上下文內(nèi)完成全部計(jì)算。tf.random.uniform生成采樣點(diǎn)張量默認(rèn)參與自動(dòng)微分但通過tape.watch(x)顯式監(jiān)聽輸入張量。參數(shù)更新需要手動(dòng)apply_gradients這一步在 PyTorch 里對(duì)應(yīng)optimizer.step()。從代碼量看兩個(gè)框架差別不大。真正影響體驗(yàn)的是你對(duì)哪種寫法的直覺更接近。PyTorch 的tensor.grad和autograd更透明TensorFlow 的GradientTape更強(qiáng)調(diào)作用域。7. PINN 典型問題測(cè)試與結(jié)果驗(yàn)證寫完最小代碼后下一步是驗(yàn)證訓(xùn)練是否真的收斂到了物理上正確的解。7.1 用精確解對(duì)照上面的泊松方程有解析解 ( u(x)\sin(\pi x) )。訓(xùn)練結(jié)束后在 [0,1] 上均勻取 100 個(gè)點(diǎn)對(duì)比網(wǎng)絡(luò)輸出和解析解import numpy as np import torch # PyTorch 對(duì)比示例 model.eval() x_test torch.linspace(0, 1, 100).reshape(-1, 1) u_pred model(x_test).detach().numpy().ravel() u_true np.sin(np.pi * x_test.numpy().ravel()) # 計(jì)算最大誤差和均方誤差 error np.abs(u_pred - u_true) print(fMax error: {error.max():.2e}) print(fRMSE: {np.sqrt(np.mean(error**2)):.2e})一般來說迭代到后期最大誤差降到 ( 10^{-2} ) 到 ( 10^{-3} ) 量級(jí)說明模型已經(jīng)學(xué)習(xí)到了方程的主要特征。如果一直停留在 ( 10^{-1} ) 以上需要檢查網(wǎng)絡(luò)層數(shù)、激活函數(shù)、采樣點(diǎn)數(shù)和迭代次數(shù)。7.2 觀察損失曲線的不同階段PINN 訓(xùn)練中損失曲線通常不會(huì)像圖像分類那樣平滑下降。物理殘差和邊界條件損失在初始階段權(quán)重不同可能出現(xiàn)以下幾個(gè)現(xiàn)象邊界條件損失快速下降但 PDE 殘差損失下降緩慢。這說明網(wǎng)絡(luò)優(yōu)先擬合了邊界內(nèi)部物理約束還沒學(xué)透?？梢赃m當(dāng)增大迭代次數(shù)或調(diào)整兩項(xiàng)損失的權(quán)重。PDE 殘差下降到某個(gè)值后不再變化。此時(shí)不一定是代碼寫錯(cuò)了而是網(wǎng)絡(luò)容量或采樣點(diǎn)密度不足。嘗試加深網(wǎng)絡(luò)、增加采樣點(diǎn)或者切換到 L-BFGS 這類二階優(yōu)化器。訓(xùn)練后期損失出現(xiàn)周期性波動(dòng)。這是配置點(diǎn)每次重新采樣導(dǎo)致的屬正常現(xiàn)象。更穩(wěn)定的做法是把配置點(diǎn)固定并進(jìn)行較多次迭代或者使用帶重置策略的采樣方法。7.3 判斷收斂的物理準(zhǔn)則PINN 訓(xùn)練不僅看 Loss 數(shù)值更要看預(yù)測(cè)解是否滿足物理規(guī)律。以熱傳導(dǎo)方程為例預(yù)測(cè)的溫度場(chǎng)不應(yīng)該出現(xiàn)局部突變或違背能量守恒。因此測(cè)試時(shí)應(yīng)增加一組物理約束驗(yàn)證檢查預(yù)測(cè)值的單調(diào)性、極值位置、邊界值誤差。如果預(yù)測(cè)結(jié)果在某些區(qū)域明顯偏離物理直覺優(yōu)先懷疑配置點(diǎn)分布是否覆蓋了這些區(qū)域。PINN 以配置點(diǎn)方式離散物理域配置點(diǎn)稀疏的地方網(wǎng)絡(luò)學(xué)習(xí)到的物理約束就弱。8. 資源占用與性能觀察PINN 訓(xùn)練的資源占用沒有固定數(shù)字因?yàn)樗c網(wǎng)絡(luò)大小、批量大小、方程維度和自動(dòng)微分階數(shù)直接相關(guān)。不過可以給出通用的觀察和調(diào)優(yōu)思路。8.1 如何觀察顯存和內(nèi)存占用訓(xùn)練過程中可以用系統(tǒng)自帶的nvidia-smi命令查看 GPU 顯存占用或者使用watch -n 1 nvidia-smi持續(xù)刷新。在 Python 內(nèi)部也可以用torch.cuda.memory_allocated()獲取當(dāng)前顯存占用。print(torch.cuda.memory_allocated() / 1024**2, MB)如果顯存不足優(yōu)先減少 batch size。PINN 使用隨機(jī)采樣batch size 從 256 降到 128 幾乎不影響物理規(guī)律學(xué)習(xí)反而可能讓單次迭代的穩(wěn)定性提升。8.2 CPU 和 GPU 訓(xùn)練差異PINN 入門代碼在沒有 GPU 的環(huán)境中也能跑起來只是訓(xùn)練速度慢。CPU 訓(xùn)練 5000 次迭代可能在幾分鐘到十幾分鐘GPU 訓(xùn)練通常能在幾秒到幾十秒內(nèi)完成。差異主要來自矩陣運(yùn)算的并行度和自動(dòng)微分構(gòu)建計(jì)算圖的開銷。如果你暫時(shí)沒有 GPU優(yōu)先用小網(wǎng)絡(luò)小采樣點(diǎn)跑通流程。但要注意最后的效果驗(yàn)證部分必須基于真實(shí)訓(xùn)練結(jié)果不能只用小采樣點(diǎn)數(shù)量“硬推”出物理規(guī)律。8.3 如何降低顯存占用幾個(gè)常見手段減少網(wǎng)絡(luò)層數(shù)和每層神經(jīng)元數(shù)。降低每個(gè) iteration 的采樣點(diǎn)數(shù)量。使用混合精度訓(xùn)練例如 PyTorch 的torch.autocast。清理不再使用的中間張量例如del u_x, u_xx; torch.cuda.empty_cache()。這些手段在入門階段不一定都需要但它們能幫助你理解 PINN 的資源瓶頸在哪里后續(xù)做高維問題時(shí)直接用得上。9. 常見問題與排查方法PINN 訓(xùn)練中的問題很多下面列出最常遇到的幾類。問題現(xiàn)象可能原因排查方式解決方案安裝框架后import torch報(bào)錯(cuò)環(huán)境類型不匹配、Python 版本不兼容檢查 Python 版本和 pip 安裝源重新創(chuàng)建虛擬環(huán)境按官方安裝命令安裝torch.cuda.is_available()返回 FalseCUDA 驅(qū)動(dòng)版本過低或 PyTorch 裝成 CPU 版運(yùn)行nvidia-smi查看驅(qū)動(dòng)版本安裝與驅(qū)動(dòng)匹配的 CUDA 版 PyTorchTensorFlow 識(shí)別不到 GPUCUDA、cuDNN 版本與 TensorFlow 版本不匹配運(yùn)行tf.config.list_physical_devices(GPU)參照官方 GPU 支持矩陣安裝對(duì)應(yīng)版本訓(xùn)練時(shí) loss 不下降學(xué)習(xí)率過大或過小、網(wǎng)絡(luò)結(jié)構(gòu)不合理、損失函數(shù)權(quán)重失衡打印各分項(xiàng)損失數(shù)值調(diào)小學(xué)習(xí)率、調(diào)整損失權(quán)重、加大采樣點(diǎn)數(shù)二階導(dǎo)計(jì)算結(jié)果異常create_graph參數(shù)錯(cuò)誤或采樣點(diǎn)超出定義域打印中間梯度值比較檢查create_graphTrue是否設(shè)置訓(xùn)練后期 loss 波動(dòng)大配置點(diǎn)隨機(jī)采樣導(dǎo)致梯度噪聲觀察波動(dòng)幅度固定配置點(diǎn)或增大 batch size預(yù)測(cè)邊界值偏差大邊界條件權(quán)重太低檢查邊界損失數(shù)值提高邊界條件損失權(quán)重模型在局部區(qū)域預(yù)測(cè)異常配置點(diǎn)稀疏可視化采樣點(diǎn)分布該區(qū)域加密采樣點(diǎn)針對(duì)“訓(xùn)練時(shí) loss 不下降”這個(gè)最常見問題一個(gè)有效的排查思路是先把物理損失去掉只保留邊界條件損失看模型是否能學(xué)會(huì)邊界值。如果能學(xué)會(huì)再逐步加回物理殘差定位是哪一項(xiàng)導(dǎo)致數(shù)值不穩(wěn)定。10. 框架學(xué)習(xí)路徑與工程實(shí)踐建議選框架只是起點(diǎn)真正決定 PINN 學(xué)習(xí)進(jìn)度的是后面幾個(gè)習(xí)慣。第一建議把“最小可運(yùn)行代碼”保存下來。后續(xù)所有更復(fù)雜的算例都在這份代碼基礎(chǔ)上修改網(wǎng)絡(luò)、損失函數(shù)和數(shù)據(jù)加載邏輯。不要每次從零開始寫。第二訓(xùn)練過程中要有記錄意識(shí)。每次修改網(wǎng)絡(luò)結(jié)構(gòu)、采樣點(diǎn)數(shù)或?qū)W習(xí)率后記錄 loss 曲線和最終預(yù)測(cè)誤差并保留模型權(quán)重文件。這樣能準(zhǔn)確判斷哪個(gè)改動(dòng)帶來了實(shí)際效果而不是靠感覺調(diào)參。第三批量實(shí)驗(yàn)時(shí)要做好任務(wù)隊(duì)列。PINN 經(jīng)常需要掃描多個(gè)物理參數(shù)例如擴(kuò)散系數(shù)、邊界溫度、材料屬性等?？梢韵葘懸粋€(gè)參數(shù)列表循環(huán)創(chuàng)建不同實(shí)驗(yàn)?zāi)夸浢總€(gè)目錄下保存對(duì)應(yīng)配置和模型輸出。接口調(diào)用層面如果后面要把訓(xùn)練好的 PINN 模型封裝成服務(wù)優(yōu)先考慮 ONNX 導(dǎo)出或框架自帶的 serving 方案這樣其他程序可以通過統(tǒng)一接口訪問模型。第四合規(guī)問題需要從一開始就重視。如果使用實(shí)驗(yàn)數(shù)據(jù)、仿真數(shù)據(jù)或任何第三方數(shù)據(jù)集務(wù)必確認(rèn)數(shù)據(jù)來源合法、具備使用權(quán)。涉及真實(shí)工業(yè)生產(chǎn)數(shù)據(jù)、人體相關(guān)數(shù)據(jù)或受版權(quán)保護(hù)的材料時(shí)必須做匿名化和授權(quán)合規(guī)處理。PINN 的應(yīng)用場(chǎng)景越多數(shù)據(jù)合規(guī)的邊界就越重要。第五不要盲目使用最新版本框架。對(duì)于 PINN 學(xué)習(xí)穩(wěn)定性和生態(tài)兼容性比新功能更重要。熱門框架版本升級(jí)后自動(dòng)微分 API 或部署工具鏈可能發(fā)生變動(dòng)優(yōu)先選擇文檔較為成熟、周圍同學(xué)或同事用得多的版本。11. 這一講之后第 12 講方向本講已經(jīng)完成框架選型和最小代碼驗(yàn)證。接下來第 12 講會(huì)繼續(xù)深入 PINN 的損失函數(shù)權(quán)重配置、激活函數(shù)選擇以及邊界條件的標(biāo)準(zhǔn)化處理這些都是實(shí)際訓(xùn)練中直接影響收斂速度和精度的細(xì)節(jié)。建議你先動(dòng)手跑一遍本講的代碼把 PyTorch 和 TensorFlow 兩個(gè)版本都運(yùn)行一次對(duì)比兩者的 loss 下降速度。通過這個(gè)對(duì)比你才能真正理解框架選擇對(duì)你編程習(xí)慣和調(diào)試效率的影響。選擇 PyTorch 還是 TensorFlow答案不在別人嘴里在你自己的運(yùn)行結(jié)果里。