Point cleannet训练代码解析
发布日期:2022-02-28 07:22:43 浏览次数:13 分类:技术文章

本文共 13507 字,大约阅读时间需要 45 分钟。

在这里插入代码片from __future__ import print_functionimport argparseimport osimport sysimport randomimport mathimport shutilimport torchimport torch.nn.parallelimport torch.optim as optimimport torch.optim.lr_scheduler as lr_schedulerimport torch.utils.datafrom torch.autograd import Variablefrom tensorboardX import SummaryWriterfrom dataset import PointcloudPatchDataset, RandomPointcloudPatchSampler, SequentialShapeRandomPointcloudPatchSamplerfrom pcpnet import ResPCPNetdef parse_arguments():
parser = argparse.ArgumentParser()
# naming / file handling
parser.add_argument(
'--name', type=str, default='PoinCleanNetOutliers', help='training run name')
parser.add_argument(
'--desc', type=str, default='My training run for single-scale normal estimation.', help='description')
parser.add_argument('--indir', type=str, default='../data/pointCleanNetOutliersTrainingSet',
help='input folder (point clouds)')
parser.add_argument('--outdir', type=str, default='../models',
help='output folder (trained models)')
parser.add_argument('--logdir', type=str,
default='./logs', help='training log folder')
parser.add_argument('--trainset', type=str,
default='trainingset.txt', help='training set file name')
parser.add_argument('--testset', type=str,
default='validationset.txt', help='test set file name')
parser.add_argument('--saveinterval', type=int,
default='10', help='save model each n epochs')
parser.add_argument('--refine', type=str, default='',
help='refine model at this path')
# training parameters
parser.add_argument('--nepoch', type=int, default=2000,
help='number of epochs to train for')
parser.add_argument('--batchSize', type=int,
default=64, help='input batch size')
parser.add_argument('--patch_radius', type=float, default=[
0.05], nargs='+', help='patch radius in multiples of the shape\'s bounding box diagonal, multiple values for multi-scale.')
parser.add_argument('--patch_center', type=str, default='point', help='center patch at...\n'
'point: center point\n'
'mean: patch mean')
parser.add_argument('--patch_point_count_std', type=float, default=0,
help='standard deviation of the number of points in a patch')
parser.add_argument('--patches_per_shape', type=int, default=100,
help='number of patches sampled from each shape in an epoch')
parser.add_argument('--workers', type=int, default=1,
help='number of data loading workers - 0 means same thread as main execution')
parser.add_argument('--cache_capacity', type=int, default=600,
help='Max. number of dataset elements (usually shapes) to hold in the cache at the same time.')
parser.add_argument('--seed', type=int,
default=3627473, help='manual seed')
parser.add_argument('--training_order', type=str, default='random', help='order in which the training patches are presented:\n'
'random: fully random over the entire dataset (the set of all patches is permuted)\n'
'random_shape_consecutive: random over the entire dataset, but patches of a shape remain consecutive (shapes and patches inside a shape are permuted)')
parser.add_argument('--identical_epochs', type=int, default=False,
help='use same patches in each epoch, mainly for debugging')
parser.add_argument('--lr', type=float, default=0.0001,
help='learning rate')
parser.add_argument('--momentum', type=float, default=0.9,
help='gradient descent momentum')
parser.add_argument('--use_pca', type=int, default=False,
help='Give both inputs and ground truth in local PCA coordinate frame')
# model hyperparameters
parser.add_argument('--outputs', type=str, nargs='+', default=['outliers'], help='outputs of the network')
parser.add_argument('--use_point_stn', type=int,
default=True, help='use point spatial transformer')
parser.add_argument('--use_feat_stn', type=int,
default=True, help='use feature spatial transformer')
parser.add_argument('--sym_op', type=str, default='max',
help='symmetry operation')
parser.add_argument('--point_tuple', type=int, default=1,
help='use n-tuples of points as input instead of single points')
parser.add_argument('--points_per_patch', type=int,
default=500, help='max. number of points per patch')
return parser.parse_args()def check_path_existance(log_dirname, model_filename, opt):
if os.path.exists(log_dirname) or os.path.exists(model_filename):
if os.path.exists(log_dirname):
shutil.rmtree(os.path.join(opt.logdir, opt.name))def get_output_format(opt):
# get indices in targets and predictions corresponding to each output
target_features = []
output_target_ind = []
output_pred_ind = []
output_loss_weight = []
pred_dim = 0
for o in opt.outputs:
if o in ['unoriented_normals', 'oriented_normals']:
if 'normal' not in target_features:
target_features.append('normal')
output_target_ind.append(target_features.index('normal'))
output_pred_ind.append(pred_dim)
output_loss_weight.append(1.0)
pred_dim += 3
elif o in ['max_curvature', 'min_curvature']:
if o not in target_features:
target_features.append(o)
output_target_ind.append(target_features.index(o))
output_pred_ind.append(pred_dim)
if o == 'max_curvature':
output_loss_weight.append(0.7)
else:
output_loss_weight.append(0.3)
pred_dim += 1
elif o in ['clean_points']:
target_features.append(o)
output_target_ind.append(target_features.index(o))
output_pred_ind.append(pred_dim)
output_loss_weight.append(1.0)
pred_dim += 3
elif o in ['outliers']:
target_features.append(o)
output_target_ind.append(target_features.index(o))
output_pred_ind.append(pred_dim)
output_loss_weight.append(1.0)
pred_dim += 1
else:
raise ValueError('Unknown output: %s' % (o))
if pred_dim <= 0:
raise ValueError('Prediction is empty for the given outputs.')
return target_features, output_target_ind, output_pred_ind,  output_loss_weight, pred_dimdef get_data(target_features, opt, train=True):
# create train and test dataset loaders
if train:
shapes_list_file = opt.trainset
else:
shapes_list_file = opt.testset
dataset = PointcloudPatchDataset(
root=opt.indir,
shapes_list_file=shapes_list_file,
patch_radius=opt.patch_radius,
points_per_patch=opt.points_per_patch,
patch_features=target_features,
point_count_std=opt.patch_point_count_std,
seed=opt.seed,
identical_epochs=opt.identical_epochs,
use_pca=opt.use_pca,
center=opt.patch_center,
point_tuple=opt.point_tuple,
cache_capacity=opt.cache_capacity)
print('training_order ', opt.training_order)
if opt.training_order == 'random':
datasampler = RandomPointcloudPatchSampler(
dataset,
patches_per_shape=opt.patches_per_shape,
seed=opt.seed,
identical_epochs=opt.identical_epochs)
elif opt.training_order == 'random_shape_consecutive':
datasampler = SequentialShapeRandomPointcloudPatchSampler(
dataset,
patches_per_shape=opt.patches_per_shape,
seed=opt.seed,
identical_epochs=opt.identical_epochs)
else:
raise ValueError('Unknown training order: %s' % (opt.training_order))
dataloader = torch.utils.data.DataLoader(
dataset,
sampler=datasampler,
batch_size=opt.batchSize,
num_workers=int(opt.workers))
return dataloader, datasampler, dataseth'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'hhhhhh'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h'h
def green(x): return '\033[92m' + x + '\033[0m'
def blue(x): return '\033[94m' + x + '\033[0m'
log_dirname = os.path.join(opt.logdir, opt.name)
params_filename = os.path.join(opt.outdir, '%s_params.pth' % (opt.name))
model_filename = os.path.join(opt.outdir, '%s_model.pth' % (opt.name))
desc_filename = os.path.join(opt.outdir, '%s_description.txt' % (opt.name))
check_path_existance(log_dirname, model_filename, opt)
target_features, output_target_ind, output_pred_ind, output_loss_weight, n_predicted_features = get_output_format(opt)
pcpnet = ResPCPNet(
num_points=opt.points_per_patch,
output_dim=n_predicted_features,
use_point_stn=opt.use_point_stn,
use_feat_stn=opt.use_feat_stn,
sym_op=opt.sym_op,
point_tuple=opt.point_tuple)
if opt.refine != '':
pcpnet.load_state_dict(torch.load(opt.refine))
if opt.seed < 0:
opt.seed = random.randint(1, 10000)生成一个1-10000的随机整数
print("Random Seed: %d" % (opt.seed))
random.seed(opt.seed)
torch.manual_seed(opt.seed)为CPU中设置种子,生成随机数
# create train and test dataset loaders
train_dataloader, train_datasampler, train_dataset = get_data(target_features, opt, train=True)获取数据(训练集)
test_dataloader, test_datasampler, test_dataset = get_data(target_features, opt, train=False)测试集
# keep the exact training shape names for later reference
opt.train_shapes = train_dataset.shape_names训练情况
opt.test_shapes = test_dataset.shape_names测试情况
print('training set: %d patches (in %d batches) - test set: %d patches (in %d batches)' %
  (len(train_datasampler), len(train_dataloader), len(test_datasampler), len(test_dataloader)))
try:
os.makedirs(opt.outdir)
except OSError:
pass
train_writer = SummaryWriter(os.path.join(log_dirname, 'train'))
test_writer = SummaryWriter(os.path.join(log_dirname, 'test'))
optimizer = optim.SGD(pcpnet.parameters(), lr=opt.lr,
  momentum=opt.momentum)优化器,初始化学习率
# milestones in number of optimizer iterations
scheduler = lr_scheduler.MultiStepLR(optimizer, milestones=[], gamma=0.1)学习速率调整,每经历一次学习率×0.1
pcpnet.cuda()
total_train_batches = len(train_dataloader)
total_test_batches = len(test_dataloader)
# save parameters
torch.save(opt, params_filename)
# save description
with open(desc_filename, 'w+') as text_file:
print(opt.desc, file=text_file)
criterion = torch.nn.L1Loss()定义L1LOSS
for epoch in range(opt.nepoch):
current_train_batch_index = -1
train_completion = 0.0
train_batches = enumerate(train_dataloader, 0)枚举训练patch
current_test_batch_index = -1
test_completion = 0.0
test_batches = enumerate(test_dataloader, 0)枚举测试patch
for current_train_batch_index, data in train_batches:
# update learning rate
scheduler.step(epoch * total_train_batches + current_train_batch_index)更新学习率(在epoch这个循环里)
# set to training mode
pcpnet.train()
# get trainingset batch, convert to variables and upload to GPU
points = data[0]
target = data[1:-1]
points = Variable(points)
points = points.transpose(2, 1)
points = points.cuda()
target = tuple(Variable(t) for t in target)
target = tuple(t.cuda() for t in target)
# zero gradients
optimizer.zero_grad()梯度初始化为0
# forward pass
pred, trans, _, _ = pcpnet(points)前向传播
loss= compute_loss(pred=pred, target=target,outputs=opt.outputs,output_pred_ind=output_pred_ind,
output_target_ind=output_target_ind,output_loss_weight=output_loss_weight,
patch_rot=trans if opt.use_point_stn else None, criterion=criterion)计算损失函数
# backpropagate through entire network to compute gradients of loss w.r.t. parameters
loss.backward()反向传播
# parameter optimization step
optimizer.step()更新参数
train_completion = (current_train_batch_index + 1) / total_train_batches 训练完成度--当前索引+1/总patch
# print info and update log file
print('[%s %d/%d: %d/%d] %s loss: %f' % (opt.name, epoch, opt.nepoch, current_train_batch_index,
  total_train_batches - 1, green('train'), loss.item()))
train_writer.add_scalar('loss', loss.item(),
(epoch + train_completion) * total_train_batches * opt.batchSize)
while test_completion <= train_completion and current_test_batch_index + 1 < total_test_batches:
# set to evaluation mode
pcpnet.eval()
current_test_batch_index, data = next(test_batches)
# get testset batch, convert to variables and upload to GPU
# volatile means that autograd is turned off for everything that depends on the volatile variable
# since we dont need autograd for inference (only for training)
points = data[0]
target = data[1:-1]
points = Variable(points, volatile=True)
points = points.transpose(2, 1)
points = points.cuda()
target = tuple(Variable(t, volatile=True) for t in target)
target = tuple(t.cuda() for t in target)
# forward pass
pred, trans, _, _ = pcpnet(points)
loss = compute_loss(
pred=pred, target=target,
outputs=opt.outputs,
output_pred_ind=output_pred_ind,
output_target_ind=output_target_ind,
output_loss_weight=output_loss_weight,
patch_rot=trans if opt.use_point_stn else None,
criterion=criterion)
test_completion = (current_test_batch_index + 1) / total_test_batches
# print info and update log file
print('[%s %d: %d/%d] %s loss: %f' % (opt.name, epoch,
  current_train_batch_index, total_train_batches - 1, blue('test'), loss.item()))
# print('min normal len: %f' % (pred.data.norm(2,1).min()))
test_writer.add_scalar(
'loss', loss.item(), (epoch + test_completion) *total_train_batches * opt.batchSize)
# save model, overwriting the old model
if epoch % opt.saveinterval == 0 or epoch == opt.nepoch - 1:
torch.save(pcpnet.state_dict(), model_filename)
# save model in a separate file in epochs 0,5,10,50,100,500,1000, ...
if epoch % (5 * 10**math.floor(math.log10(max(2, epoch - 1)))) == 0 or epoch % 100 == 0 or epoch == opt.nepoch - 1:
torch.save(pcpnet.state_dict(), os.path.join(
opt.outdir, '%s_model_%d.pth' % (opt.name, epoch)))def compute_accuracy(pred, target, l1_loss):
pred[pred >0.5]= 1
pred[pred<=0.5] = 0
return l1_loss(pred, target)def compute_outliers_loss(pred, output_pred_ind, output_index,  target, output_target_ind, output_loss_weight, criterion):计算离群LOSS
o_pred = pred[:, output_pred_ind[output_index]:output_pred_ind[output_index] + 1]
o_target = target[output_target_ind[output_index]]
o_target = o_target.cuda()
loss = criterion(o_pred[:,0], o_target)
return lossdef compute_loss(pred, target, outputs, output_pred_ind, output_target_ind, output_loss_weight, patch_rot, criterion = None, cleaning=False):计算损失函数
loss = 0
for output_index, output in enumerate(outputs):枚举输出
loss += compute_outliers_loss(pred, output_pred_ind, output_index,  target, output_target_ind, output_loss_weight, criterion)
return lossif __name__ == '__main__':
train_opt = parse_arguments()
train_pcpnet(train_opt)

转载地址:https://blog.csdn.net/weixin_45854106/article/details/108216816 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!

上一篇:Leetcode 1046.最后一块石头的重量(JS版)
下一篇:PointAugment:点云分类的自动增强框架

发表评论

最新留言

初次前来,多多关照!
[***.191.171.33]2022年10月01日 10时46分35秒

关于作者

    喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!

最新文章