Deepmd in Paddle for example, just 'water_se_a' model

[zhwesky2010]

Deepmd in Paddle fo example, just water_se_a model.

这是Paddle支持deepmd中 water_se_a 模型的示例写法代码：

目前只针对生物计算的 water_se_a.json 单个模型，使用Paddle动态图进行训练、预测评估、3个自定义OP的支持。其他涉及到的模型代码均不进行改动。

通过该代码对Deepmd water_se_a.json的结果记录如下：

模型精度

1.模型训练

说明：使用Paddle动态图搭建网络，结构与Tensor Flow静态图保持完全一致，唯一只有网络参数初始化时不同（所有参数采用相同均值、方差、seed的Norm inItializer，但由于底层实现不同，Paddle与TF的初始值是不同的）

PaddlePaddle

batch ID	rmse_test	rmse_train	rmse_e_test	rmse_e_train	rmse_f_test	rmse_f_train
0	2.83e+01	2.80e+01	4.81e+00	4.80e+00	8.43e-01	8.33e-01
10000	2.80e+00	2.76e+00	1.62e-02	1.77e-02	9.32e-02	9.19e-02
100000	7.60e-01	6.90e-01	3.08e-03	2.92e-03	4.00e-02	3.64e-02
1000000（结束）	3.61e-02	3.62e-02	2.47e-04	3.61e-04	3.54e-02	3.53e-02

TensorFlow

batch ID	rmse_test	rmse_train	rmse_e_test	rmse_e_train	rmse_f_test	rmse_f_train
0	3.34e+01	3.31e+01	1.03e+01	1.03e+01	8.42e-01	8.30e-01
10000	3.44e+00	3.88e+00	2.30e-02	2.46e-02	1.15e-01	1.29e-01
100000	9.76e-01	9.15e-01	2.22e-03	2.71e-03	5.15e-02	4.83e-02
1000000（结束）	3.88e-02	3.61e-02	2.45e-04	3.03e-04	3.80e-02	3.52e-02

结论： 100万batch训练最终结果：

• Force loss，Paddle略好于TensorFlow：（3.54e-02(pd) <-> 3.80e-02(tf)）
• Energy loss，Paddle略差于TensorFlow：（2.47e-04(pd) <-> 2.45e-04(tf)）
• 总Loss：Paddle略好于TensorFlow（3.61e-02(pd) <-> 3.88e-02(tf)）
• 精度已对齐，有极细微差异，可能需微调下force 、energy的loss敏感性

2.模型评估

说明：训练1000000个batch结束后，保存模型并加载，使用30帧测试数据进行模型评估。

PaddlePaddle

TensorFlow

指标	PaddlePaddle-GPU develop 动态图	TensorFlow-GPU 2.20 静态图
Energy RMSE	7.003462e-02	6.748153e-02
Energy RMSE/Natoms	3.647637e-04	3.514663e-04
Force RMSE	3.499594e-02	3.713263e-02

模型评估结论：

• Energy RMSE指标，基本一致，Paddle略高于TensorFlow
• Force RMSE指标，基本一致，Paddle略低于TensorFlow
• 由于Paddle与TF的Normal参数初始化完全不同，且force 、energy对loss敏感性有些不同，最终有略好和略差的极细微差异。

模型性能

训练速度	PaddlePaddle-GPU develop动态图	TensorFlow-GPU 2.20静态图
GPU V100 + CUDA 10.1	4.05s / 100 batch	2.87s / 100 batch

性能结论：

• 在water_se_a模型上，Paddle动态图要比TF静态图慢一些，训练100万batch大概需要11~12h；
• 主流模型上，Paddle动态图不差于TensorFlow静态图，但动态图由于Python与C++交互非常频繁，模型Python的写法对性能影响很大，可能在写法上还能有优化空间，需要再通过timeline细致排查；

自定义OP精度

本次支持 water_se_a.json 模型中涉及到的prod_env_mat_a、 prod_force_se_a、prod_virial_se_a3个自定义OP，精度均与TF进行对齐。

[JiabinYang]

LGTM, this PR should depends on PaddlePaddle version >= 2.1.0