DeePMD 旧类型嵌入se_a_tpe训练与测试

本篇接着输入与环境准备，读取旧类型嵌入se_a_tpe的新训练结果。下载完整实例包。

1 打开完整训练输入#

cat inputs/se_a_tpe.json

实际model部分如下；完整文件还给出学习率、损失及训练/验证数据路径：

{
  "type": "standard",
  "type_map": [
    "N",
    "H"
  ],
  "descriptor": {
    "type": "se_a_tpe",
    "rcut": 3.0,
    "rcut_smth": 2.5,
    "sel": [
      4,
      8
    ],
    "neuron": [
      8,
      16
    ],
    "axis_neuron": 4,
    "resnet_dt": false,
    "precision": "float64",
    "seed": 600001,
    "type_nchanl": 4,
    "type_nlayer": 2
  },
  "fitting_net": {
    "type": "ener",
    "neuron": [
      32,
      32
    ],
    "resnet_dt": false,
    "precision": "float64",
    "seed": 600002
  }
}

type_nchanl=4是旧类型表示的通道数，type_nlayer=2是其嵌入层数；不是三体se_e3_tebd的参数别名。neuron=[8,16]和后面的fitting_net=[32,32]分别对应描述符嵌入与能量拟合。rcut=3、rcut_smth=2.5单位Å。

本例batch 4，训练12000步，起始学习率0.002、终值0.00001。总能量与力损失权重均为1，virial权重为0。力来自总能量对坐标的导数。固定NH₃化学计量下的总能量监督不能确定唯一的物理原子能量分解。

2 查看自己的误差表#

head -n 3 tables-new/model-results.csv

这里有自己新训练模型的一行结果；能量按4个真实原子归一，力为12个测试姿态中全部原子三方向的分量RMSE。本站P100与V10016G独立训练的实际结果如下：

不同设备从头训练的优化轨迹可能不同；后面的CPU/GPU检查会对比同一个权重，两种比较不要混淆。小样例只覆盖固定氨分子构型范围，不据此宣称通用反应势、解离精度或生产MD稳定性。

3 读取学习曲线#

head -n 6 new-work/p100-se_a_tpe/lcurve.out

V100运行时将目录前缀改为v100-。日志区分训练和验证误差，测试构型不参与优化；不要只看最后一个训练batch来判断模型能否外推。

4 查看本次作业摘要#

python3 code/summary.py

应看到1个新模型、12000次优化更新和新结果检查摘要，新量子化学调用为0。新的训练日志、测试预测与推断数组在new-work，附带参考在reference；两者分开保存。