Deep-Flow-Prediction 项目使用指南

Deep-Flow-Prediction 项目使用指南

Deep-Flow-Prediction A framework for fluid flow (Reynolds-averaged Navier Stokes) predictions with deep learning 项目地址: https://gitcode.com/gh_mirrors/de/Deep-Flow-Prediction

1. 项目的目录结构及介绍

Deep-Flow-Prediction 项目的目录结构如下：

Deep-Flow-Prediction/
├── data/
│   ├── train/
│   └── test/
├── resources/
├── train/
│   ├── runTrain.py
│   └── runTrainCpu.py
├── test/
│   └── runTest.py
├── .gitignore
├── LICENSE
├── README.md
└── DfpNet.py

目录结构介绍

• data/: 包含训练和测试数据的目录。
  • train/: 存放训练数据的目录。
  • test/: 存放测试数据的目录。
• resources/: 存放项目所需的资源文件。
• train/: 包含训练脚本的目录。
  • runTrain.py: 用于在GPU上进行训练的脚本。
  • runTrainCpu.py: 用于在CPU上进行训练的脚本。
• test/: 包含测试脚本的目录。
  • runTest.py: 用于测试模型的脚本。
• .gitignore: Git 忽略文件配置。
• LICENSE: 项目许可证文件。
• README.md: 项目介绍和使用说明。
• DfpNet.py: 包含深度学习网络模型的定义。

2. 项目的启动文件介绍

runTrain.py

runTrain.py 是用于在GPU上进行模型训练的启动文件。它默认执行一个短期的训练运行，迭代次数为10,000次，并加载 data/train 目录中的所有可用数据。训练过程中会打印L1验证损失，并在训练结束后将训练好的模型保存为 modelG。

runTrainCpu.py

runTrainCpu.py 是用于在CPU上进行模型训练的启动文件。它适用于没有GPU的环境，训练的模型规模较小。训练过程中会生成每个epoch的样本图像，并可选地保存损失进展的txt文件。

runTest.py

runTest.py 是用于测试模型的启动文件。它默认假设测试数据样本位于 data/test 目录中，并会自动评估所有名为 modelG, modelGa, modelGb, modelGc 等的模型文件。测试结果会以文本形式输出，并保存为 testout.txt，同时还会生成参考数据和推断输出的可视化图像。

3. 项目的配置文件介绍

.gitignore

.gitignore 文件用于配置Git忽略的文件和目录，确保某些文件不会被提交到版本控制系统中。

LICENSE

LICENSE 文件包含了项目的许可证信息，本项目使用的是Apache-2.0许可证。

README.md

README.md 文件是项目的介绍和使用说明文档，包含了项目的背景、安装步骤、数据生成、网络训练和评估等详细信息。

DfpNet.py

DfpNet.py 文件包含了深度学习网络模型的定义，特别是用于雷诺平均纳维-斯托克斯方程(RANS)流预测的U-net架构。这个文件是项目中非标准代码的核心部分，包含了数据归一化、网络结构定义等内容。

通过以上介绍，您可以更好地理解和使用 Deep-Flow-Prediction 项目。

Deep-Flow-Prediction A framework for fluid flow (Reynolds-averaged Navier Stokes) predictions with deep learning 项目地址: https://gitcode.com/gh_mirrors/de/Deep-Flow-Prediction