[Enh] Add finetune interface

docs/zh/user_guide.md

@@ -255,11 +255,11 @@ solver = ppsci.solver.Solver(
 
 ### 1.4 迁移学习
 
-迁移学习是一种广泛使用、低成本提高模型精度的训练方式。在 PaddleScience 中，可以通过在 `model` 实例化完毕之后，手动为其载入预训练模型权重；也可以在 `Solver` 实例化时指定 `pretrained_model_path` 自动载入预训练模型权重，两种方式都可以进行迁移学习。
+迁移学习是一种广泛使用、低成本提高模型精度的训练方式。在 PaddleScience 中，可以通过在 `model` 实例化完毕之后，手动为其载入预训练模型权重后开始微调训练；也可以调用 `Solver.finetune` 接口并指定 `pretrained_model_path` 参数，自动载入预训练模型权重并开始微调训练。
 
 === "手动载入预训练模型"
 
-    ``` py hl_lines="8"
+    ``` py hl_lines="8 12"
     import ppsci
     from ppsci.utils import save_load
 
@@ -268,24 +268,29 @@ solver = ppsci.solver.Solver(
 
     model = ...
     save_load.load_pretrain(model, "/path/to/pretrain")
+    solver = ppsci.solver.Solver(
+        ...,
+    )
+    solver.train()
     ```
 
-=== "指定 `pretrained_model_path` 自动载入预训练模型"
+=== "调用 `Solver.finetune` 接口"
 
-    ``` py hl_lines="9"
+    ``` py hl_lines="11"
     import ppsci
 
+
     ...
     ...
 
     model = ...
     solver = ppsci.solver.Solver(
         ...,
-        pretrained_model_path="/path/to/pretrain",
     )
+    solver.finetune(pretrained_model_path="/path/to/pretrain")
     ```
 
-!!! info "迁移学习建议"
+!!! tip "迁移学习建议"
 
     在迁移学习时，相对于完全随机初始化的参数而言，载入的预训练模型权重参数是一个较好的初始化状态，因此不需要使用太大的学习率，而可以将学习率适当调小 2~10 倍以获得更稳定的训练过程和更好的精度。
 

ppsci/solver/solver.py

@@ -398,7 +398,7 @@ def convert_expr(
         # set up benchmark flag, will print memory stat if enabled
         self.benchmark_flag: bool = os.getenv("BENCHMARK_ROOT", None) is not None
 
-    def train(self):
+    def train(self) -> None:
         """Training."""
         self.global_step = self.best_metric["epoch"] * self.iters_per_epoch
         start_epoch = self.best_metric["epoch"] + 1
@@ -471,6 +471,18 @@ def train(self):
                 print_log=(epoch_id == start_epoch),
             )
 
+    def finetune(self, pretrained_model_path: str) -> None:
+        """Finetune model based on given pretrained model.
+
+        Args:
+            pretrained_model_path (str): Pretrained model path.
+        """
+        # load pretrained model
+        save_load.load_pretrain(self.model, pretrained_model_path, self.equation)
+
+        # call train program
+        self.train()
+
     @misc.run_on_eval_mode
     def eval(self, epoch_id: int = 0) -> Tuple[float, Dict[str, Dict[str, float]]]:
         """Evaluation.