pointnet （九）train函数，第九句

loss = MODEL.get_loss(pred, labels_pl, end_points)

第七句，第八句是获得net以及transformnet，最终得到的值需要与label一起进行计算pointnet学习（六）train函数第七第八句

pred, end_points = MODEL.get_model(pointclouds_pl, is_training_pl, bn_decay=bn_decay)返回的pred即为net，endpoint是transformnet

 现在看loss详细实现

def get_loss(pred, label, end_points, reg_weight=0.001):
    """ pred: B*NUM_CLASSES,
        label: B, """
    loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=pred, labels=label)
    classify_loss = tf.reduce_mean(loss)
    tf.summary.scalar('classify loss', classify_loss)

    # Enforce the transformation as orthogonal matrix
    transform = end_points['transform'] # BxKxK
    K = transform.get_shape()[1].value
    mat_diff = tf.matmul(transform, tf.transpose(transform, perm=[0,2,1]))
    mat_diff -= tf.constant(np.eye(K), dtype=tf.float32)
    mat_diff_loss = tf.nn.l2_loss(mat_diff) 
    tf.summary.scalar('mat loss', mat_diff_loss)

    return classify_loss + mat_diff_loss * reg_weight

第一句，第二句

loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=pred, labels=label)
    classify_loss = tf.reduce_mean(loss)

采用tensorflow实现的交叉熵，得到loss vector，然后调用tf.reduce_mean得到vector的均值。最终得到loss。（此处还未深入，后续补上）

第三句第四句

transform = end_points['transform'] # BxKxK
K = transform.get_shape()[1].value

end_points是个字典，通过transform关键字得到transform 的tensor

因为transform为32.3.3的tensor所以k为3

第五句，

mat_diff = tf.matmul(transform, tf.transpose(transform, perm=[0,2,1]))

其中

tf.transpose(transform, perm=[0,2,1])

是对transform按照perm指定进行重新排序，因为我们transform的0shape是batchsize所以不能变化。把2跟1的维度进行变化（转置）

因此matmul进行相乘，taransform*transform.T()；

第六句

mat_diff -= tf.constant(np.eye(K), dtype=tf.float32)

其中np.eye(K)为产生一个单位矩阵，此工程为3，3的单位矩阵，

然后经过tf，constant初始化为一个3，3的2d的tensor

最后经过taransform*transform.T()-tf.constant

第三四五六句，提示是Enforce the transformation as orthogonal matrix

但是A*A转置-I是正交化吗？

下面是我试验的结果

import tensorflow as tf
import numpy as np
if __name__ == "__main__":
    with tf.Graph().as_default():
        with tf.device('/cpu:0'):
            Mtnp=np.array([[1,2,3],[1,2,3],[1,2,3]])
            MtInp=np.array([[1,0,0],[0,1,0],[0,0,1]])
            Mt=Mtnp.T
            Mt=np.cross(Mtnp,Mtnp.T)
            Tten=tf.constant(Mtnp,dtype=tf.float32)
            TtenT=tf.constant(Mtnp.T,dtype=tf.float32)
            resulttensor = tf.matmul(Tten,TtenT)
            resulttensor -= tf.constant(np.eye(3), dtype=tf.float32)
            sess = tf.Session()
            resultsess=sess.run(resulttensor)
            print(resultsess)

这明显不是正交矩阵（后续看懂再补上）暂时理解为获取loss，正向传递

mat_diff_loss = tf.nn.l2_loss(mat_diff) 

参考tf.nn.l2_loss，对正交化之后的tensor每个元素平方求和然后除以2

最后一句

classify_loss + mat_diff_loss * reg_weight

reg_weight没有指定，默认为0.001

最后将loss以标量tensor返回