Tips1: 必须在模型目录实现dygraph_model.py中的class DygraphModel，不能更改py文件名也不能更改class类名。
Tips2: 必须实现方法create_model, create_optimizer, create_metrics, train_forward, infer_forward。
Tips3: create_feeds和create_loss由train_forward和infer_forward内部调用，可以自定义方法名称。
返回模型的class, 一般是调用net.py中定义的组网。
解析batch_data, 返回paddle的tensor格式，在dataloader中yield是一条数据，注意这里返回的是Batch数据。
Tips: 因为动态图不需要占位符data, 这里实际返回的就是模型的输入tensor。
由于采用了动静一致的设计理念和方便计算指标的独立，将loss部分单独抽出来实现在这个函数中，也可以直接在train_forward中定义loss部分
定义优化器, 这里由用户自定义优化器。
定义评估指标，返回打印的key值和声明的指标
Tips: 返回的指标必须是paddle.metric中的指标
自定义训练阶段，一般包含数据读入，计算loss损失，更新指标
Tips: 返回3个值，第一个必须是loss, 第二个是metric_list，可以为空list。第三个是想间隔打印的tensor dict, 可以返回None。
除了不返回loss之外其他和train_forward相同，支持和train阶段不同的组网。
Tips1: 必须在模型目录实现static_model.py中的class StaticModel，不能更改py文件名也不能更改class类名。
Tips2: 必须实现方法create_feeds, net, infer_net, create_optimizer
静态图采用graph结构，需要用paddle.static.data作为数据的占位符。
Tips1: 返回的feed_list的顺序必须和reader中yield的数据保持一致。
Tips2: 变长数据可以用lod_level=1表示，具体可参考models/rank/dnn/static_model_lod.py
训练组网，请注意返回的是dict, 间隔打印。 key是打印的名称，value是对应的变量，
预测组网，如若和训练组网类似，可调用net部分。