pybullet-GGCNN神经网络搭建及训练（四）

目录

环境配置

torch安装 

再安装tensorboard

 还有tensorboardX

还有torchsummary

 scipy

程序介绍

 主程序理解

超参数部分 

保存器

 数据集加载

grasp.data

加载网络

ggcnn2

优化器

打印网络结构

训练前运行

 训练前运行结果

训练

train

进到train函数里看一下 

损失计算

统计损失

 反向传播

 日志

 测试

 评估

保存模型 

 运行

 tensrboard使用

tensorboard运行

tensorboard报错解决

 总结

---

环境配置

或者直接看这这篇用github上的ggcnn环境也可以

 pybullet 康奈尔数据集转换（四+）训练前看_啥也不是的py人的博客-CSDN博客

推荐配置

py3.7

torch安装 

 Anaconda+Torch(gpu版)极速下载安装方法 - 知乎

进入pytorch官网选择对应环境用命令行安装 

PyTorch

 我找的是这个用的是cpu版本

# CPU Only
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cpuonly -c pytorch

再安装tensorboard

pip install tensorboard==2.9.0

 还有tensorboardX

pip install tensorboardX

还有torchsummary

pip install torchsummary

 scipy

我是已经安装过了scipy但是还是出现了报错问题

 

 google后找到了一个方法

第一步

conda remove icc_rt --force

第二步

conda install icc_rt --no-deps

程序介绍

文件主体包含几个文件夹和两个编码文件

 

主程序就是train_ggcnn.py

就是用它来训练

ckpt保存的是训练好的模型

data是保存用来测试平面抓取的图像

models是存储的网络

common.py是一个后处理文件

utils主要是数据加载类的编码 

 

 其中

该文件处理的是cornell数据集的内容

因为cornell没有提供.tiff格式的文件而是点云形式的.txt文件

 见下图（其实就是点云文件）

 该程序就是把点云格式文件转换成.tiff格式文件

以及评估性能的文件

 主程序理解

 下图为主程序

 看run()函数

def run():
    # 设置随机数种子
    # setup_seed(2)

可以设置随机数种子方便复现

这里注释掉了

Python seed() 函数 | 菜鸟教程

超参数部分 

 然后读取超参数

args = parse_args()

网络架构选择 

 可以选择读取ggcnn或者ggcnn2

设置之前标注好的数据集路径

数据集制作如下 

pybullet-GGCNN数据集制作（三）_啥也不是的py人的博客-CSDN博客

我的存放在这个路径

 

    # 训练超参数
    parser.add_argument('--batch-size', type=int, default=2, help='Batch size')
    parser.add_argument('--epochs', type=int, default=1000, help='Training epochs')
    parser.add_argument('--lr', type=float, default=1e-3, help='学习率')
    parser.add_argument('--weight-decay', type=float, default=0, help='权重衰减 L2正则化系数')
    parser.add_argument('--num-workers', type=int, default=2, help='Dataset workers')  # pytorch 线程

batch size就是把数据分成几批的意思 

机器学习中的batch_size是什么？_勤奋的大熊猫的博客-CSDN博客_batch size是什么意思

 weight-decay就是正则化系数防止过拟合

【神经网络】权重衰减（weight-decay）_ZSYL的博客-CSDN博客_权重衰减

 用于把矩形图像修改为正方形图像

--num-workers是pytorch的线程数，线程数越多训练也就越快

    # 抓取表示超参数
    parser.add_argument('--output-size', type=int, default=360, help='output size')

 以下是设置的保存地址

   # 保存地址
    parser.add_argument('--outdir', type=str, default='output', help='Training Output Directory')
    parser.add_argument('--modeldir', type=str, default='models', help='model保存地址')
    parser.add_argument('--logdir', type=str, default='tensorboard', help='summary保存文件夹')
    parser.add_argument('--imgdir', type=str, default='img', help='中间预测图保存文件夹')
    parser.add_argument('--max_models', type=int, default=3, help='最大保存的模型数')

tensorboard是可视化训练工具 

注：因为每一个epoch都会有一个模型如果都保存的话就太大了

这里设置成只保存三个 最新的epoch的模型结果

 这里选择跑的设备

    # device
    parser.add_argument('--device-name', type=str, default='cpu', choices=['cpu', 'cuda:0'], help='是否使用GPU')
    # description

这里改成用gpu跑，cuda后改成1或者2

 这里是设置保存文件夹的名字

    # description
    parser.add_argument('--description', type=str, default='hx_test', help='Training description')

 这里是防止突发情况，可以选择之前的网络进行训练

    # 从已有网络继续训练
    parser.add_argument('--goon-train', type=bool, default=False, help='是否从已有网络继续训练')
    parser.add_argume