KPConv小记

初学者，不对的地方多多指点。
翻译：https://github.com/HuguesTHOMAS/KPConv/blob/master/doc/new_dataset_guide.md

pipeline概述

在开始对数据集进行训练之前，训练脚本会初始化一组变量和类。初始化步骤如下:
1.创建Config。这个实例将包含定义网络的所有参数。
2.创建数据集类的实例。这个实例将处理数据和input pipeline。这是您必须实施的类，以根据您自己的数据训练我们的网络
3.在内存中加载输入点云。大多数数据集将适合一个32GB内存的计算机。如果没有足够的内存，就必须重新设计输入管道。
4.初始化tensorflow input pipeline，它是一个tf.dataset，该对象将创建并输入向网络输入batches。
5.创建网络模型类的实例。这个类包含定义网络的tensorflow操作。
6.创建ModelTrainer类的实例。这个类处理模型的训练

然后训练就可以开始了。

数据集类

这个类有几个角色。首先，在这里定义数据集参数(类名、数据路径、数据的性质……)。然后这个类将保存加载到内存中的点云。最后，它还定义了Tensorflow input pipeline。为了提高效率，我们的实现使用一个并行的输入队列，将batches发送到网络。

这里，我们将对需要在新的dataset类中实现的每个基本方法进行描述。要了解更多细节，请遵循当前数据集的实现，其中包含许多作为注释的指示。

一. __init__方法:这里你必须定义数据集的参数。注意，数据集类必须是实现泛型方法的通用Dtaset类的子类。他们有一些东西必须在这里被定义:

1.标签:定义一个字典：self.label_to_names，调用self.init_labels()方法，并定义self.ignored_labels中应该忽略哪些标签。
2.网络模型:此数据集上使用的模型类型(“classification”、“segmentation”、“multi_segmentation”或“cloud_segmentation”)。
3.并行输入队列中使用的CPU线程数。
4.数据路径和分割:您可以按照自己的意愿管理数据，这些变量只在您将要实现的方法中使用，所以您不必完全遵循其他数据集类的符号。

二. load_subsampled_clouds方法:在这里将数据加载到内存中。根据您的数据集(如果这是一个分类或分割任务，3D场景或3D模型)，您将不必加载相同的变量。只需遵循现有数据集的实现即可。

三. get_batch_gen方法:该方法应该返回python生成器。根据这些generator处理tf.dataset。它在self.init_input_pipeline或self.init_test_input_pipeline方法中调用。除了生成器之外，它还必须返回生成的类型和形状。您可以重新设计生成器或使用我们实现的生成器。生成器返回np.arrays（数组），但是从pipeline的这一点开始，它们将被转换为tensor（张量）。

四. get_tf_mapping方法:该方法返回一个映射函数，该函数接受生成的batches并为网络创建所有变量。请记住，从这一点来看，我们正在定义操作的张量流图。这里没有太多需要实现的东西，因为大部分工作是由两个通用函数完成的：self.tf_augment_input和self.tf_xxxxxxxxx_input，其中xxxxxxxxx可以是“classification”的“segmentation”，具体取决于任务。在这里要做的唯一重要的事情就是定义将要馈送到网络的功能。

训练脚本和配置类

在训练脚本中，您必须创建一个从Config类继承的类。在这里，您将通过覆盖属性来定义所有网络参数