pointnet学习（三）pointnet train()函数，前四句

第一句是

with tf.Graph().as_default():

设置tensor所属的graph，具体原理目前不清楚，只是当前理解为模板背景

第二句

with tf.device('/gpu:'+str(GPU_INDEX)):

设置tensor运行硬件环境为gpu。不过目前我的代码跑起来不知道什么原因没有用到gpu。非常慢

第三句，第四句

pointclouds_pl, labels_pl = MODEL.placeholder_inputs(BATCH_SIZE, NUM_POINT)
调用了设置model内的placeholder_inputs函数，默认是pointnet_cls.py，内部函数实现是

def placeholder_inputs(batch_size, num_point):
    pointclouds_pl = tf.placeholder(tf.float32, shape=(batch_size, num_point, 3))
构建一个三维的32x1024x3的tensor。
    labels_pl = tf.placeholder(tf.int32, shape=(batch_size))
构建一个一维的32的tensor
    return pointclouds_pl, labels_pl

调用tf.placeholder构建出输入点的tensor以及标签的tensor
is_training_pl = tf.placeholder(tf.bool, shape=())构建一个bool型的shape未知的tensor

不管是调用模型封装的函数还是直接调用，本质都是调用tf.placeholder构建tensor。但是tf.placeholder构建的tensor比较特殊。不能直接放到session（暂时先记住，后面讲解）中运行，会报错，官方给的解释如下：

Key Point: This tensor will produce an error if evaluated. Its value must be fed using the feed_dict optional argument to Session.run(), Tensor.eval(), or Operation.run().

官方例子如下：

x = tf.compat.v1.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)

with tf.compat.v1.Session() as sess:
  print(sess.run(y))  # ERROR: will fail because x was not fed.

  rand_array = np.random.rand(1024, 1024)
  print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.

从上面的code可以看出，必须用feed_dict给x，feed值之后才能进行使用。

这里类似C++的指针（只有类型），如果不给指针分配空间，访问空指针就会报错，这里是一个道理，tf.placeholder构建的tensor可以理解为没有 分配空间的指针，必须给这个tensor赋值初始化才能使用