每日学习日志

2023-10-27

1.尽量不要用conda uninsatll卸载包，可能会导致版本问题或者再次安装时安装失败；
2.Linux集群服务器下，连接上服务器时只是单纯的连接上服务器，并没有分配到GPU和CPU资源，所以NVIDA驱动程序和CUDA连接不上，因此才会出现torch.cuda.is_available()返回结果为False，以及nvidia-smi 的执行结果为nvidia command not found；
3.Linux集群服务器下使用slurm脚本提交计算任务，运行代码为：

sbatch file_name.slurm
squeue # 查看当前资源占用情况
scancel work_id # 取消任务进程

2023-10-28

1.学完pytorch，了解大概的模型训练以及测试流程。
2.深度学习各个参数及函数含义：

in_channels --输入通道数
out_channles --输出通道数
kernel_size --卷积核大小
stride --卷积核移动的步长
padding --输入是否扩充
padding_mode --以什么方式扩充
bias --偏置
transform.ToTensor() --将图像或其他数据变为张量

2023-10-29

1.学习ResFields的网络代码的注释学习，真正着手一个网络的结构代码，包括继承nn.model的方法，定义自己网络的一些参数和计算公式，再定义前向传播和反向传播算法，即可搭建一个深度学习网络。
2.注意：快排是在序列基本有序的时候时间复杂度最高，在完全无序的情况下效率最高；
3.Java中abstract类中的方法一定是abstract，如：public abstract void name ();
4.跑通ResFields的实验，但发现结果与原论文差别较大；

2023-10-30

1.主机的子网掩码为255.255.255.255；

2023-11-9

1.“Empty Space Skipping”，空间跳跃：

空间跳跃是一种计算机图形学中的优化技术，用于提高渲染性能和减少不必要的计算；在一些场景中，存在大量的空旷区域或遮挡物，对这些区域进行计算是浪费资源的。而如何减少不必要的体素渲染，即跳过这些空体块，将一个大的初始三维图形分块，再将每个块标上0-1值（0代表empty，1代表occupied），再计算并记录每个块与相邻最近的块的距离，然后在最后的光线投射算法中根据距离值判断跳过多少空体块，然后渲染。

2.InstantAvatar论文精读至3.3

2023-11-10

1.NeRF重建完整流程：首先输入训练的数据集，第一步输出为光线方向、相机位置、图像坐标等参数；接着将这些参数输入到网络结构中进行训练，每次输出为颜色和密度值的预测结果，将预测结果和真实值进行比较后进行反向传播训练，最后得到训练好的模网络模型，预测时输入图片，进行一系列预处理后输入到模型中，得到颜色和密度等信息用于图像渲染和重建。
2.读完InstantAvatar，将InstantAvatar部分网络与ResFields结合，得到新的网络架构，对该网络结构进行解释分析。

2023-11-12

1.InstantAvatar环境搭建完成，完成创新结构的创新点阐述；
2.在服务器上安装部署好tiny-cuda-nn，并将报错解决记录在博客tinycudann安装
3.下载GitHub上源码时，直接用git拉取和手动下载zip压缩包是有区别的，手动下载zip压缩包会缺少仓库配置文件，需要手动配置，因此尽量使用git拉取代码。