[Fix] Fix dtype (#956)

* align dtype of input with model parameter

* wrap return training loss with dict

* update aneurysm zh-cn translation:

Author: HydrogenSulfate

README.md

@@ -51,7 +51,7 @@ PaddleScience 是一个基于深度学习框架 PaddlePaddle 开发的科学计
 | 定常不可压流体 | [Re3200 2D 定常方腔流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/ldc2d_steady) | 机理驱动 | MLP | 无监督学习 | - |  |
 | 定常不可压流体 | [2D 达西流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/darcy2d) | 机理驱动 | MLP | 无监督学习 | - |   |
 | 定常不可压流体 | [2D 管道流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/labelfree_DNN_surrogate) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://arxiv.org/abs/1906.02382) |
-| 定常不可压流体 | [3D 血管瘤](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/aneurysm) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/aneurysm/aneurysm_dataset.tar) | [Project](https://docs.nvidia.com/deeplearning/modulus/modulus-v2209/user_guide/intermediate/adding_stl_files.html)|
+| 定常不可压流体 | [3D 颅内动脉瘤](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/aneurysm) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/aneurysm/aneurysm_dataset.tar) | [Project](https://docs.nvidia.com/deeplearning/modulus/modulus-v2209/user_guide/intermediate/adding_stl_files.html)|
 | 定常不可压流体 | [任意 2D 几何体绕流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/deepcfd) | 数据驱动 | DeepCFD | 监督学习 | - | [Paper](https://arxiv.org/abs/2004.08826)|
 | 非定常不可压流体 | [2D 非定常方腔流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/ldc2d_unsteady) | 机理驱动 | MLP | 无监督学习 | - | - |
 | 非定常不可压流体 | [Re100 2D 圆柱绕流](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/cylinder2d_unsteady) | 机理驱动 | MLP | 半监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/cylinder2d_unsteady_Re100/cylinder2d_unsteady_Re100_dataset.tar) | [Paper](https://arxiv.org/abs/2004.08826)|

docs/index.md

@@ -96,7 +96,7 @@
 | 定常不可压流体 | [Re3200 2D 定常方腔流](./zh/examples/ldc2d_steady.md) | 机理驱动 | MLP | 无监督学习 | - |  |
 | 定常不可压流体 | [2D 达西流](./zh/examples/darcy2d.md) | 机理驱动 | MLP | 无监督学习 | - |   |
 | 定常不可压流体 | [2D 管道流](./zh/examples/labelfree_DNN_surrogate.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://arxiv.org/abs/1906.02382) |
-| 定常不可压流体 | [3D 血管瘤](./zh/examples/aneurysm.md) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/aneurysm/aneurysm_dataset.tar) | [Project](https://docs.nvidia.com/deeplearning/modulus/modulus-v2209/user_guide/intermediate/adding_stl_files.html)|
+| 定常不可压流体 | [3D 颅内动脉瘤](./zh/examples/aneurysm.md) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/aneurysm/aneurysm_dataset.tar) | [Project](https://docs.nvidia.com/deeplearning/modulus/modulus-v2209/user_guide/intermediate/adding_stl_files.html)|
 | 定常不可压流体 | [任意 2D 几何体绕流](./zh/examples/deepcfd.md) | 数据驱动 | DeepCFD | 监督学习 | - | [Paper](https://arxiv.org/abs/2004.08826)|
 | 非定常不可压流体 | [2D 非定常方腔流](./zh/examples/ldc2d_unsteady.md) | 机理驱动 | MLP | 无监督学习 | - | -|
 | 非定常不可压流体 | [Re100 2D 圆柱绕流](./zh/examples/cylinder2d_unsteady.md) | 机理驱动 | MLP | 半监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/cylinder2d_unsteady_Re100/cylinder2d_unsteady_Re100_dataset.tar) | [Paper](https://arxiv.org/abs/2004.08826)|

docs/zh/examples/aneurysm.md

@@ -50,17 +50,17 @@
 
 ## 1. 背景简介
 
-深度学习方法可以用于处理血管瘤问题，其中包括基于物理信息的深度学习方法。这种方法可以用于脑血管瘤的压力建模，以预测和评估血管瘤破裂的风险。
+深度学习方法可以用于处理颅内动脉瘤问题，其中包括基于物理信息的深度学习方法。这种方法可以用于脑颅内动脉瘤的压力建模，以预测和评估颅内动脉瘤破裂的风险。
 
-针对如下血管瘤几何模型，本案例通过深度学习方式，在内部和边界施加适当的物理方程约束，以无监督学习的方式对管壁压力进行建模。
+针对如下颅内动脉瘤几何模型，本案例通过深度学习方式，在内部和边界施加适当的物理方程约束，以无监督学习的方式对管壁压力进行建模。
 
 <figure markdown>
   ![equation](https://paddle-org.bj.bcebos.com/paddlescience/docs/Aneurysm/aneurysm.png){ loading=lazy style="height:80%;width:80%"}
 </figure>
 
 ## 2. 问题定义
 
-假设血管瘤模型中，在入口 inlet 部分，中心点的流速为 1.5，并向四周逐渐减小；在出口 outlet 区域，压力恒为 0；在边界上无滑移，流速为 0；血管内部则符合 N-S 方程运动规律，中间段的平均流量为负（流入），出口段的平均流量为正（流出）。
+假设颅内动脉瘤模型中，在入口 inlet 部分，中心点的流速为 1.5，并向四周逐渐减小；在出口 outlet 区域，压力恒为 0；在边界上无滑移，流速为 0；血管内部则符合 N-S 方程运动规律，中间段的平均流量为负（流入），出口段的平均流量为正（流出）。
 
 ## 3. 问题求解
 
@@ -90,7 +90,7 @@ examples/aneurysm/aneurysm.py:14:15
 
 ### 3.2 方程构建
 
-血管瘤模型涉及到 2 个方程，一是流体 N-S 方程，二是流量计算方程，因此使用 PaddleScience 内置的 `NavierStokes` 和 `NormalDotVec` 即可。
+颅内动脉瘤模型涉及到 2 个方程，一是流体 N-S 方程，二是流量计算方程，因此使用 PaddleScience 内置的 `NavierStokes` 和 `NormalDotVec` 即可。
 
 ``` py linenums="17"
 --8<--
@@ -278,7 +278,7 @@ examples/aneurysm/aneurysm.py
 
 ## 5. 结果展示
 
-对于血管瘤测试集（共 2,962,708 个三维坐标点），模型预测结果如下所示。
+对于颅内动脉瘤测试集（共 2,962,708 个三维坐标点），模型预测结果如下所示。
 
 <figure markdown>
   ![aneurysm_compare.jpg](https://paddle-org.bj.bcebos.com/paddlescience/docs/Aneurysm/aneurysm_compare.png){ loading=lazy }

examples/fpde/fractional_poisson_2d.py

@@ -190,8 +190,8 @@ def input_data_fpde_transform(
     solver.train()
 
     # visualize prediction after finished training
-    theta = np.arange(0, 2 * math.pi, 0.04)
-    rho = np.arange(0, 1, 0.005)
+    theta = np.arange(0, 2 * math.pi, 0.04, dtype=paddle.get_default_dtype())
+    rho = np.arange(0, 1, 0.005, dtype=paddle.get_default_dtype())
     mt, mr = np.meshgrid(theta, rho)
     x = mr * np.cos(mt)
     y = mr * np.sin(mt)
@@ -248,8 +248,8 @@ def u_solution_func(
     solver.train()
 
     # visualize prediction after finished training
-    theta = np.arange(0, 2 * math.pi, 0.04)
-    rho = np.arange(0, 1, 0.005)
+    theta = np.arange(0, 2 * math.pi, 0.04, dtype=paddle.get_default_dtype())
+    rho = np.arange(0, 1, 0.005, dtype=paddle.get_default_dtype())
     mt, mr = np.meshgrid(theta, rho)
     x = mr * np.cos(mt)
     y = mr * np.sin(mt)

examples/tempoGAN/functions.py

@@ -406,7 +406,7 @@ def loss_func(self, output_dict, *args):
             out_disc_from_gen, label_zeros, reduction="mean"
         )
         losses = loss_disc_from_target * self.weight_disc + loss_disc_from_gen
-        return losses
+        return {"CE_loss", losses}
 
     def loss_func_tempo(self, output_dict, *args):
         out_disc_tempo_from_target = output_dict["out_disc_tempo_from_target"]
@@ -424,7 +424,7 @@ def loss_func_tempo(self, output_dict, *args):
         losses = (
             loss_disc_tempo_from_target * self.weight_disc + loss_disc_tempo_from_gen
         )
-        return losses
+        return {"CE_tempo_loss", losses}
 
 
 class DataFuncs: