在部署时,输出anchors_bv为np.float32型。命令如下:
np.savetxt("/home/jiangcm/project/nutonomy_pointpillars/dataset_example/pytorch/pytorch_input/anchors_bv.txt", anchors_bv, fmt='%f', delimiter=' ')
可以看到精度上,np.float32为32位,有7位或者8位有效数字。取出两个有代表性的数据:
line 85471: 8.580000 -8.640000 9.180000 -7.840001
line 91391: 8.580000 -7.840001 9.180000 -7.040000
在部署时,输出anchors_bv的9位有效数字。命令如下:
np.savetxt("/home/jiangcm/project/nutonomy_pointpillars/dataset_example/pytorch/pytorch_input/anchors_bv.txt", anchors_bv, fmt='%.9g', delimiter=' ')
可以看到精度上,10位有效数字。取出两个有代表性的数据:
line 85471: 8.57999992 -8.64000034 9.18000031 -7.84000063
line 91391: 8.57999992 -7.84000063 9.18000031 -7.04000044
这两组数据决定了一致性的差别。前者相差较大,后者一致。
其计算方式如下:
anchor_coor[0] = floor((anchors_bv[i * 4 + 0] - 0) / 0.159999996);
anchor_coor[1] = floor((anchors_bv[i * 4 + 1] - (-19.8400002)) / 0.159999996);
anchor_coor[2] = floor((anchors_bv[i * 4 + 2] - 0) / 0.159999996);
anchor_coor[3] = floor((anchors_bv[i * 4 + 3] - (-19.8400002)) / 0.159999996);
anchor_coor[0] = MAX(anchor_coor[0], 0);
anchor_coor[1] = MAX(anchor_coor[1], 0);
anchor_coor[2] = MIN(anchor_coor[2], 295);
anchor_coor[3] = MIN(anchor_coor[3], 247);
利用float型计算得到的数据如下:
anchor_coor = [53, 70, 57, 74]
anchor_coor = [53, 74, 57, 80]
利用10位有效数字计算得到的数据如下:
在pytorch中计算的数据为:
anchor_coor = [53, 70, 57, 75]
anchor_coor = [53, 75, 57, 80]
前者和pytorch有出入,后者和pytorch有差别。
这里作为记录,以后保存数据时,要保存的位数位在其有效数字+1以上。