Specular-Gaussians代码在ubuntu20.04 & nvidia 4090下的实践

github链接：https://github.com/ingra14m/Specular-Gaussians

git clone https://github.com/ingra14m/Spec-Gaussian --recursive
cd Spec-Gaussian

conda create -n spec-gaussian-env python=3.7
conda activate spec-gaussian-env

# install pytorch
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
pip install torch-scatter -f https://data.pyg.org/whl/torch-1.13.0+cu116.html

# install dependencies
pip install -r requirements.txt

实践环境：

nvidia RTX 4090

ubuntu 20.04

注意点：

1. Specular-Gaussians代码依赖的有 Submodules，点进去Submodules文件夹可以看到依赖的是depth-diff-gaussian-rasterization @ d595eac和simple-knn @ 44f7642。git clone语句中带参--recursive就是为了拉取子模块的代码，没有--recursive将不会拉取。

2.运行'''pip install torch==1.13.1+cu116...'''这个语句，不需要使用清华源，但会受到网速的影响，我使用的是校园网（ps：本人在校园网各个时间段的下载速度差距很大，第一次试是1MB左右，停止下载隔了一段时间后再次运行时就变成10MB左右了😅）。

3.运行“pip install -r requirements.txt”建议带上临时清华源

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4.运行 “pip install -r requirements.txt” 会报错：

OSError: CUDA_HOME environment variable is not set. Please set it to your CUDA

或者是

No such file or directory ‘/usr/local/cuda/bin/nvcc’

这个报错的含义是没有设置CUDA_HOME这个环境变量 / 即使设置了CUDA_HOME也没找到，设置这个环境变量的前提是得先conda install cudatoolkit（安装CUDA就是安装CUDA Toolkit）。但是执行 “torch==1.13.1+cu116” 是已经安装好内置的cuda11.6（这里涉及到cuda和内置cuda的区别，见下述附录）。照理来说，是无需理会此报错，直接进行下一步train代码是不会有问题的。

本文为了不显示报错，执行安装cudatoolkit:

(1) 首先在conda环境中执行

nvcc -V

如果 ubuntu系统没有安装cudatoolkit 或 conda环境中没有安装cudatoolkit，是会显示以下信息

nvcc: command not found

(2) 执行以下语句，在conda环境中安装cudatoolkit

注意cudatoolkit-dev和cudatoolkit的区别。install cudatoolkit不会包含nvcc，需要再单独conda install -c nvidia cuda-nvcc。cudatoolkit-dev会包含nvcc。可以通过执行which nvcc命令查找nvcc安装的路径。

# -c conda-forge代表使用官方源中的conda-forge目录下的文件，本文采用别人推荐使用的官方源

# 11.6是为了与 torch内置的cuda11.6匹配

conda install -c conda-forge cudatoolkit-dev==11.6.0

conda-forge,conda，-c的理解

在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch_conda安装cudnn-CSDN博客

conda环境下安装nvcc -V

(3) 执行完安装cudatoolkit后的语句后，运行以下命令查看是否安装成功

conda list

(4) 此时执行 “nvcc -V”，发现出现以下信息

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Tue_May__3_18:49:52_PDT_2022
Cuda compilation tools, release 11.7, V11.7.64
Build cuda_11.7.r11.7/compiler.31294372_0

(5) 执行

which nvcc

显示nvcc安装的路径

/home/[USER_NAME]/anaconda3/envs/spec-gaussian-env/bin/nvcc

(6) 执行以下，设置CUDA_HOME环境变量

export CUDA_HOME=/home/[USER_NAME]/anaconda3/envs/spec-gaussian-env

执行以下，查看CUDA_HOME环境变量设置成功

echo $CUDA_HOME

(7) 此时，再执行 “pip install -r requirements.txt” 就不会报错了

5. 下载数据集，根据github中给的数据集目录结构，新建data文件夹和Mip-360文件夹，将数据集解压缩并放入指定的文件夹下

6. 训练。作者推荐使用 Train without anchor，（本文运行Train with anchor会出现bug，作者回复近期纠正），本文下载了bicycle这个数据集360_v2（很大12.5G）

python train.py -s data/mipnerf-360/bicycle -m outputs/mip360/bicycle --eval -r 4 --is_real --asg_degree 12

训练结果在test文件夹中，没有3d环绕视图

附录：

安装CUDA就是安装CUDA Toolkit，“torch==1.13.1+cu116” 中的cu116是会安装内置cuda，满足了torch运行的基本需要。由此，cu116是CUDA Toolkit的子集。在此，推荐

Python深度学习：安装Anaconda、PyTorch（GPU版）库与PyCharm

这个视频。视频中说的大CUDA就是cudatoolkit，小cuda就是pip install torch==1.13.1+cu116中的内置cu116。虽然视频中用的是windows系统，但可推广至Linux系统