pointnet train函数第二十七句 for epoch in range(MAX_EPOCH):

        for epoch in range(MAX_EPOCH):
            log_string('**** EPOCH %03d ****' % (epoch))
            sys.stdout.flush()
             
            train_one_epoch(sess, ops, train_writer)
            eval_one_epoch(sess, ops, test_writer)
            
            # Save the variables to disk.
            if epoch % 10 == 0:
                save_path = saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"))
                log_string("Model saved in file: %s" % save_path)

当前工程cls的MAX_EPOCH设置为250，当前的epoch是为了增加样本数量，因为样本有限，所以需要每个epoch打乱一次训练样本，以此来增加训练样本的总数

train_one_epoch(sess, ops, train_writer)

这句则是具体train过程函数，具体实现如下

def train_one_epoch(sess, ops, train_writer):
    """ ops: dict mapping from string to tf ops """
    is_training = True
    
    # Shuffle train files
    train_file_idxs = np.arange(0, len(TRAIN_FILES))
    np.random.shuffle(train_file_idxs)
    
    for fn in range(len(TRAIN_FILES)):
        log_string('----' + str(fn) + '-----')
        print(TRAIN_FILES[train_file_idxs[fn]])
        current_data, current_label = provider.loadDataFile(TRAIN_FILES[train_file_idxs[fn]])
        print("current_data shape")
        print(current_data.shape)
        print("current_label shape")
        print(current_label.shape)
        current_data = current_data[:,0:NUM_POINT,:]
        current_data, current_label, _ = provider.shuffle_data(current_data, np.squeeze(current_label))            
        current_label = np.squeeze(current_label)
        
        file_size = current_data.shape[0]
        print("current_data.shape[0]:")
        print(current_data.shape[0])
        num_batches = file_size // BATCH_SIZE
        print("num_batches,BATCH_SIZE")
        print(num_batches)
        print(BATCH_SIZE)
        total_correct = 0
        total_seen = 0
        loss_sum = 0
       
        for batch_idx in range(num_batches):
            start_idx = batch_idx * BATCH_SIZE
            end_idx = (batch_idx+1) * BATCH_SIZE
            
            # Augment batched point clouds by rotation and jittering
            rotated_data = provider.rotate_point_cloud(current_data[start_idx:end_idx, :, :])
            jittered_data = provider.jitter_point_cloud(rotated_data)
            feed_dict = {ops['pointclouds_pl']: jittered_data,
                         ops['labels_pl']: current_label[start_idx:end_idx],
                         ops['is_training_pl']: is_training,}
            summary, step, _, loss_val, pred_val = sess.run([ops['merged'], ops['step'],
                ops['train_op'], ops['loss'], ops['pred']], feed_dict=feed_dict)
            train_writer.add_summary(summary, step)
            pred_val = np.argmax(pred_val, 1)
            correct = np.sum(pred_val == current_label[start_idx:end_idx])
            total_correct += correct
            total_seen += BATCH_SIZE
            loss_sum += loss_val
        
        log_string('mean loss: %f' % (loss_sum / float(num_batches)))
        log_string('accuracy: %f' % (total_correct / float(total_seen)))

这里第一句is_training是用来设置is_training_pl tensor

第二句，TRAIN_FILES可以看看定义里面，是从train_files.txt里面读取point数据的路径，内容如下

data/modelnet40_ply_hdf5_2048/ply_data_train0.h5
data/modelnet40_ply_hdf5_2048/ply_data_train1.h5
data/modelnet40_ply_hdf5_2048/ply_data_train2.h5
data/modelnet40_ply_hdf5_2048/ply_data_train3.h5
data/modelnet40_ply_hdf5_2048/ply_data_train4.h5

 调用了

provider.getDataFiles，产生一个array里面放的是上面h5文件名，第二句则根据array的长度产生对应的一个index的array

第三句是将这个array顺序打乱，从而在每次epoch有不同的索引序列，在第四句for循环中读取data的时候point样本不同，达到增加训练数据的目的

然后看for循环内部，第一步是读取point data以及label data，参考pointnet provider.loadDataFile读取之后shape为三维batchsize,pointnum,xyz,的current_data因为每个h5文件中的point的pointnum不一定都是1024因此，需要对pointnum这一维进行处理，然后继续对点云顺序打乱顺序继续增加样本多样性

current_data, current_label, _ = provider.shuffle_data(current_data, np.squeeze(current_label))

参考pointnet shuffle_data(data, labels)

其中"_"为index np array点云处理过程中，这里的index特别重要，所以要及时记录

current_label = np.squeeze(current_label)

继续把current_label 中维度为1的数据去除掉

file_size = current_data.shape[0]

        num_batches = file_size // BATCH_SIZE

首先获取h5文件中的file_size即一个文件中有多少个point模型。因为我们的网络处理单位是batchsize*pointnum为一次，因此需要计算一个文件需要多少次bacthsize计算才能训练完毕一个文件

即num_batches

total_correct = 0
        total_seen = 0
        loss_sum = 0

分别为总的分类准确的个数

总的训练模型个数

总的损失值

获取到数据之后根据num_batches进行loop每个loop一个batchsize的模型数进入下面的循环

for batch_idx in range(num_batches):

因为current_data里面第一维是filesize，是h5文件中总的point点云模型的array，每次读取一个batchsie个，当前设置的是32个，因此需要每次循环更新起始index以及终止index，取出一个batchsize的point模型数据。

start_idx = batch_idx * BATCH_SIZE
            end_idx = (batch_idx+1) * BATCH_SIZE

取出数据之后perovider进行处理，

rotated_data = provider.rotate_point_cloud(current_data[start_idx:end_idx, :, :])
            jittered_data = provider.jitter_point_cloud(rotated_data)

参考pointnet provider.rotate_point_cloud provider.jitter_point_cloud，作用是对point cloud进行旋转平移，旋转角度以及平移距离为随机的，产生更多的训练样本

feed_dict = {ops['pointclouds_pl']: jittered_data,
                         ops['labels_pl']: current_label[start_idx:end_idx],
                         ops['is_training_pl']: is_training,}

此处的代码是将我们之前的placeholder产生的rensor进行feedict才能在gragh中进行运算

summary, step, _, loss_val, pred_val = sess.run([ops['merged'], ops['step'],
                ops['train_op'], ops['loss'], ops['pred']], feed_dict=feed_dict)

这一句即是运行我们前二十六句建立起来的由各种tensor组成的op链接起来的gragh图，运行完即训练完了一次，返回summary可视化数据，step训练次数，_ 点云索引，loss数据，pred正向数据

pred_val = np.argmax(pred_val, 1)
            correct = np.sum(pred_val == current_label[start_idx:end_idx])
            total_correct += correct
            total_seen += BATCH_SIZE
            loss_sum += loss_val

log_string('mean loss: %f' % (loss_sum / float(num_batches)))
        log_string('accuracy: %f' % (total_correct / float(total_seen)))

训练完一个文件内的数据，计算一次平均loss以及精确度

train完一次，接着进行test数据进行预测并且得到预测准确率参考pointnet def eval_one_epoch(sess, ops, test_writer)

至此分类训练代码解读完毕后续会持续更新更正，然后用pytorch+open3d实现一遍。敬请期待

最后

以上就是任性洋葱为你收集整理的pointnet train函数第二十七句 for epoch in range(MAX_EPOCH):的全部内容，希望文章能够帮你解决pointnet train函数第二十七句 for epoch in range(MAX_EPOCH):所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。