PointNet代码注解（本人自用留档）

STN3D函数注解：

# Tnet generates a 3 * 3 correction matrix
class STN3d(nn.Module):
    def __init__(self):
        super(STN3d, self).__init__()
        self.conv1 = torch.nn.Conv1d(3, 64, 1)
        #Conv1d的三个参数分别代表输入通道、输出通道以及卷积核的一维大小，另一维大小为输入通道大小；
        #将32*3*2500的数据进行上述卷积，会得到32*64*1*2500的数据；
        #具体参考 https://blog.csdn.net/dujuancao11/article/details/114679134
        self.conv2 = torch.nn.Conv1d(64, 128, 1)
        self.conv3 = torch.nn.Conv1d(128, 1024, 1)
        self.fc1 = nn.Linear(1024, 512)
        self.fc2 = nn.Linear(512, 256)
        self.fc3 = nn.Linear(256, 9)
        self.relu = nn.ReLU()

        self.bn1 = nn.BatchNorm1d(64)
        self.bn2 = nn.BatchNorm1d(128)
        self.bn3 = nn.BatchNorm1d(1024)
        self.bn4 = nn.BatchNorm1d(512)
        self.bn5 = nn.BatchNorm1d(256)


    def forward(self, x):
        #此时代入的x的数据为32*3*2500，
        batchsize = x.size()[0]
        # batchsize为32？（大概）
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.relu(self.bn3(self.conv3(x)))
        #通过上述三次卷积，可以得到数据32*1024*1*2500（还是32*1024*2500）
        x = torch.max(x, 2, keepdim=True)[0]
        # 可参考 https://blog.csdn.net/zylooooooooong/article/details/112576268
        # 得到一个32*1024*1*1（或者32*1024*1）的矩阵
        x = x.view(-1, 1024)
        # 得到一个32*1024的矩阵；

        x = F.relu(self.bn4(self.fc1(x)))
        x = F.relu(self.bn5(self.fc2(x)))
        x = self.fc3(x)
        #以下操作分别进行了数组生成，类型转变，形状重新定义view以及重复repeat；
        iden = Variable(torch.from_numpy(np.array([1,0,0,0,1,0,0,0,1]).astype(np.float32))).view(1,9).repeat(batchsize,1)

        if x.is_cuda:
            iden = iden.cuda()
        x = x + iden
        x = x.view(-1, 3, 3)
        return x

后续待补充。。。