PointNet系列代码复现详解(1)—PointNet分类部分

想尽快入门点云，因此就从这个经典的点云处理神经网络开始。源码已经有了中文注释，但在一些对于自己不理解的地方添加了一些注释。欢迎大家一起讨论。

代码是来自github：GitHub - yanx27/Pointnet_Pointnet2_pytorch: PointNet and PointNet++ implemented by pytorch (pure python) and on ModelNet, ShapeNet and S3DIS.

PointNet系列代码复现详解(2)—PointNet++part_seg_葭月甘九的博客-CSDN博客

先学习的是分类部分代码

train_classification.py

下面代码就是获取当前文件所在的路径，赋值给BASE_DIR。ROOT_DIR被赋值为BASE_DIR，表示当前文件所在的目录为根目录。将models目录添加到根目录下，并使用sys.path.append()将该路径添加到Python解释器的搜索路径中，以便于在程序中导入models目录下的模块和类。

BASE_DIR = os.path.dirname(os.path.abspath(__file__))
ROOT_DIR = BASE_DIR
sys.path.append(os.path.join(ROOT_DIR, 'models'))

下面就是一些命令行参数，设置一些训练网络的基本参数

比如是否使用GPU，训练批次大小，模型，训练总轮数，以及优化器，训练日志保存路径等等。具体看代码后。

def parse_args():
    '''PARAMETERS'''
    parser = argparse.ArgumentParser('training')
    parser.add_argument('--use_cpu', action='store_true', default=False, help='use cpu mode')
    parser.add_argument('--gpu', type=str, default='0', help='specify gpu device')
    parser.add_argument('--batch_size', type=int, default=24, help='batch size in training')
    parser.add_argument('--model', default='pointnet_cls', help='model name [default: pointnet_cls]')
    parser.add_argument('--num_category', default=40, type=int, choices=[10, 40], help='training on ModelNet10/40')
    parser.add_argument('--epoch', default=200, type=int, help='number of epoch in training')
    parser.add_argument('--learning_rate', default=0.001, type=float, help='learning rate in training')
    parser.add_argument('--num_point', type=int, default=1024, help='Point Number')
    parser.add_argument('--optimizer', type=str, default='Adam', help='optimizer for training')
    parser.add_argument('--log_dir', type=str, default=None, help='experiment root')
    parser.add_argument('--decay_rate', type=float, default=1e-4, help='decay rate')
    parser.add_argument('--use_normals', action='store_true', default=False, help='use normals')
    parser.add_argument('--process_data', action='store_true', default=False, help='save data offline')
    parser.add_argument('--use_uniform_sample', action='store_true', default=False, help='use uniform sampiling')
    return parser.parse_args()

• --use_cpu：是否使用CPU模式。
• --gpu：指定GPU设备的编号。
• --batch_size：训练时的批大小。
• --model：指定使用的模型名称。
• --num_category：指定数据集的类别数，可选值为10和40。
• --epoch：训练的轮数。
• --learning_rate：学习率。
• --num_point：点云中的点数。
• --optimizer：优化器类型，默认为Adam。
• --log_dir：实验的根目录。
• --decay_rate：衰减率。
• --use_normals：是否使用法向量。
• --process_data：是否将数据离线保存。
• --use_uniform_sample：是否使用均匀采样策略

下面就是主函数里网络训练的设置

1.log_string（str）用于记录训练数据，然后是读取命令行参数，调用gpu

    def log_string(str):
        logger.info(str)