实战演练：使用动态图训练

  ... ... 
  ├── data_set_reader    ## 数据读取器
  │   ├── ernie_classification_base_dataset_reader.py
  │   └── ernie_classification_dataset_reader.py
  ├── examples          ## 内置的常用任务配置，动静态图共用，修改部分参数值即可灵活切换
  │   ├── cls_bow_ch_infer.json
  │   ├── cls_bow_ch.json
  │   ├── cls_ernie_3.0_xnli_ch_infer.json
  │   ├── cls_ernie_3.0_xnli_ch.json
  │   ├── cls_ernie_3.0_xnli_ch_save_infer_from_ckpt.json
  │   ├── cls_ernie_fc_ch_infer.json
  │   ├── cls_ernie_fc_ch.json
  │   ├── cls_ernie_multi_label_ch_infer.json
  │   └── cls_ernie_multi_label_ch.json
  ├── inference                             
  │   ├── custom_cls_inference_ernie3.py  ## ERNIE2.0在分类任务上的预测脚本，仅支持静态图
  │   ├── custom_inference.py     ## ERNIE2.x在分类任务上的预测脚本， 动静态图共用
  │   └── __init__.py
  ├── model                          ## 内置网络结构
  │   ├── base_cls.py
  │   ├── bow_classification.py        ## BOW网络结构，动静态图共用
  │   ├── ernie3_classification.py     ## ERNIE3.0在分类任务上的网络结构，ERNIE3.0目前仅支持静态图
  │   ├── ernie_classification.py      ## ERNIE2.x在分类任务上的网络结构， 动静态图共用
  │   └── multi_label_classification.py  ## 多标签分类任务的网络结构， 动静态图共用
  ├── reader
  │   ├── categorical_field_reader.py
  │   └── multi_label_field_reader.py
  ├── run_infer_ernie3.py
  ├── run_infer.py
  ├── run_trainer.py
  └── trainer
      ├── custom_dynamic_trainer.py    ## ERNIE 2.X任务和非ERNIE任务的动态图训练脚本
      ├── custom_trainer_ernie3.py   ## ERNIE 3.0任务的静态图训练脚本（ERNIE3.0目前仅支持静态图训练）
      ├── custom_trainer.py    ## ERNIE 2.X任务和非ERNIE任务的静态图训练脚本
      └── __init__.py

{
  ...
  "model": {
    "type": "BowClassification",  ## 文心采用模型(models)的方式定义神经网络的基本操作，本例采用预置的模型BowClassification实现文本分类，具体网络可参考models目录。
    "is_dygraph": 1,             ## 区分动态图模型和静态图模型，1表示动态图，0表示静态图
    "optimization": {
      "learning_rate": 2e-05    ## 预置模型的优化器所需的参数配置，如学习率等。
    },
    "vocab_size": 33261,       ## 该模型（model）使用的词表大小，必填参数。
    "num_labels": 2            ## 该分类模型的类别数目是多少，必填参数，不填则默认是二分类
  },
  ...
}

{
  ...
  "trainer": {
    "type": CustomDynamicTrainer,  ## 使用哪个trainer对象，主要是区分使用动态图trainer还是静态图trainer，与model中的is_dygraph参数取值要对应 ，在当前task中，动态图使用CustomDynamicTrainer， 静态图使用CustomTrainer。
    "PADDLE_PLACE_TYPE": "cpu",
    "PADDLE_IS_FLEET": 0,
    "train_log_step": 20,
    "is_eval_dev": 0,
    "is_eval_test": 1,
    "eval_step": 100,
    "save_model_step": 10000,
    "load_parameters": "",
    "load_checkpoint": "",
    "pre_train_model": [],
    "output_path": "./output/cls_bow_ch",
    "extra_param": {
      "meta":{
        "job_type": "text_classification"
      }

    }
    ...
}