pointnet学习（六）train函数第七第八句

 第七句

tf.summary.scalar('bn_decay', bn_decay)

查看pointnet学习（二）tf.summary.scalar含义

 第八句

pred, end_points = MODEL.get_model(pointclouds_pl, is_training_pl, bn_decay=bn_decay)

字面意思是获取模型。调用的是配置模型的get_model,这里解读配置的是pointnet_cls.py文件里的model，主要神经网络的搭建，初始化。具体实现为

def get_model(point_cloud, is_training, bn_decay=None):
    """ Classification PointNet, input is BxNx3, output Bx40 """
    batch_size = point_cloud.get_shape()[0].value
    num_point = point_cloud.get_shape()[1].value
    end_points = {}

    with tf.variable_scope('transform_net1') as sc:
        transform = input_transform_net(point_cloud, is_training, bn_decay, K=3)
    point_cloud_transformed = tf.matmul(point_cloud, transform)
    input_image = tf.expand_dims(point_cloud_transformed, -1)

    net = tf_util.conv2d(input_image, 64, [1,3],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv1', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 64, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv2', bn_decay=bn_decay)

    with tf.variable_scope('transform_net2') as sc:
        transform = feature_transform_net(net, is_training, bn_decay, K=64)
    end_points['transform'] = transform
    net_transformed = tf.matmul(tf.squeeze(net, axis=[2]), transform)
    net_transformed = tf.expand_dims(net_transformed, [2])

    net = tf_util.conv2d(net_transformed, 64, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv3', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 128, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv4', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 1024, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv5', bn_decay=bn_decay)

    # Symmetric function: max pooling
    net = tf_util.max_pool2d(net, [num_point,1],
                             padding='VALID', scope='maxpool')

    net = tf.reshape(net, [batch_size, -1])
    net = tf_util.fully_connected(net, 512, bn=True, is_training=is_training,
                                  scope='fc1', bn_decay=bn_decay)
    net = tf_util.dropout(net, keep_prob=0.7, is_training=is_training,
                          scope='dp1')
    net = tf_util.fully_connected(net, 256, bn=True, is_training=is_training,
                                  scope='fc2', bn_decay=bn_decay)
    net = tf_util.dropout(net, keep_prob=0.7, is_training=is_training,
                          scope='dp2')
    net = tf_util.fully_connected(net, 40, activation_fn=None, scope='fc3')

    return net, end_points

从返回值来看，model就是net以及end_points 

 然后看看输入参数，第一个是pointcloud=pointclouds_pl，第二个是istrainning=is_training_pl，第三个是bn_decay=bn_decay。回想学习，pointnet学习（五）train函数，第五、六句

则可知，pointcloud是一个shape（32x1024x3）的三维的tensor，里面存放点云数据，istrainning是一个bool类型的tensor，shape没有指定，

现在看getmodel函数体内code：

第一句，获取bitchsize即为32，第二句为获取点数量1024，第三句为声明一个endpoint为dict字典

第四第五句，为加载transformnet，因为pointnet网络在进行分类之前先进入transformnet将点云旋转为正向方位，虽然有后续文章之处此net对后续分类并没有什么影响，但是还是照旧加上了。

tf.variable_scope('transform_net1') as sc

设置transformnet名字为transform_net1。

transform = input_transform_net(point_cloud, is_training, bn_decay, K=3)

下面来看transform_net的构建，也是包括了跟model一样的三个参数，除此之外添加了一个K参数。

定义另一维的kernel的值，此工程返回的transform_net的shape为[32,3,3]输出对应bitchsize个3x3旋转矩阵，根据卷积，池化得到的大量特征点的旋转矩阵，有点类似图像处理中提取特征点，然后对比源和目标特征点计算的旋转矩阵的原理，参考pointnet学习（七）input_transform_net，

得到transformnet的输出之后，与inputcloud进行叉乘，得到

第六句

point_cloud_transformed = tf.matmul(point_cloud, transform)

旋转矩阵求得之后，那么就应该让我们的input的point_cloud经过相乘得到正向的点云模型了，后面

第七句

input_image = tf.expand_dims(point_cloud_transformed, -1)

为了卷积，继续对旋转后的32个batch的点云模型进行卷积

第八、九句，

net = tf_util.conv2d(input_image, 64, [1,3],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv1', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 64, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='conv2', bn_decay=bn_decay)

这两句就很熟悉了，参考pointnet学习（八）tf_util.conv2d，也是对我旋转后的点云模型，xyz进行卷积，因为输出为64，所以有64个1x3的核验numpoint方向以及xyz方向，1，1步幅进行卷积，得到了32，1024，1，64的tensor，因为没有maxpolling所以依然是1024个点的每个点的xyz卷积和分为64个channel存储因为同一个点让64个1，3卷积kernel进行了卷积。

第九句，继续进行卷积，依然出来32，1024，1，64的tensor这里相当于对于这卷积后的xyz继续乘以一个w+b的到的值

第十，十一句

    with tf.variable_scope('transform_net2') as sc:
        transform = feature_transform_net(net, is_training, bn_decay, K=64)

第二个transform的网络层。是对特征值进行旋转偏移，参考pointnet input_transform_net

第十二句

 net_transformed = tf.matmul(tf.squeeze(net, axis=[2]), transform)

先看tf.squeeze(net, axis=[2])，功能是，移除tensor中所有维度为1的数据或者指定某一维的数据移除，这句是指移除32，1024，1，64中第三维数据，变为32，1024，64的tensor。跟feature transform64*64进行矩阵相乘，旋转，偏移。得到新的卷积得到特征值之后的input、

第十三句

net_transformed = tf.expand_dims(net_transformed, [2])

重新将之前删除的第三维拓展方便后续的卷积运算

十四~十八句。对32，1024，1，64的tensor进行卷积，分别输出[32，1024，1，64]tensor，[32，1024，1，126]tensor，[32，1024，1，1024]tensor，最后maxpolling输出得到[32，1，1，1024]tensor，重新reshape为[32,1024]tensor.

十九句，初始化一个1024，512的weighttensor以及512，512的biastensor进行运算得到32，512的tensor

第二十句

net = tf_util.dropout(net, keep_prob=0.7, is_training=is_training,
                          scope='dp1')

参考pintnet tf_util.dropout

第二十一二十二句与第十九二十句一样，转换为32，256tensor，

第二十三句，最后一层fullyconnect，乘以weight+你、bias，最后得到32，40tensor，

至此，net与transformnet搭建完成