运行latent_3d_points的train_single_class_ae.ipynb

安装 Anaconda

1. 在官网下载安装文件。

• 选择所需的python版本（我的是python3.7）
• 选择合适的系统（linux 64）
• 下载后的文件名为：Anaconda3-2019.07-Linux-x86_64.sh

3. 在终端或命令行中输入安装命令，按提示安装

   bash Anaconda3-2019.07-Linux-x86_64.sh
   

4. 设置环境变量

• 打开配置文件 vim ~/.bashrc
• 在最后一行添加 export PATH=/home/XXX/anaconda3/bin:$PATH （注意改成自己的路径）
• 更新配置文件 source ~/.bashrc

安装latent_3d_points所需的库

1. 添加conda国内镜像

   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
   conda config --set show_channel_urls yes
   

2. 新建环境 latent_3d_points

   conda activate -n latent_3d_points python=2.7 tensorflow=1.3.0
   

3. 激活环境

   conda activate latent_3d_points
   

   可以进入python环境，检验tensorflow是否成功安装了，输入：python

   >>>import tensorflow as tf
   

   若未提示错误则成功安装

4. 安装numpy, scipy, matplotlib, notebook

   conda install numpy scipy matplotlib notebook
   

5. 安装cuda, cudnn

   conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
   conda install cudnn=6.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/
   

6. 安装tflearn

   conda install -c contango tflearn
   

   同样，进入python环境，检验tflearn是否成功安装。输入：python

   >>>import tflearn
   

   若未提示错误则成功安装

latent_3d_points前期准备

1. 下载latent_3d_points源码

   git clone https://github.com/optas/latent_3d_points
   

2. 官网指示，进入latent_3d_points/external/structural_losses目录，修改makefile文件的前三行，改为自己的目录。

   with your editor modify the first three lines of the makefile to point to
   your nvcc, cudalib and tensorflow library.

   但这样修改在之后运行中会出现问题，所以这里我们先不修改。

   NameError: global name ‘nn_distance’ is not defined

3. 先确定自己的tensorflow路径
   新建find.py文件：vim find.py
   find.py文件内容：

   from __future__ import print_function
   import tensorflow as tf
   print(tf.sysconfig.get_compile_flags(),'\n')
   print(tf.sysconfig.get_link_flags())
   

   输出结果：

   ['-I/home/xxj/.local/lib/python2.7/site-packages/tensorflow/include', '-D_GLIBCXX_USE_CXX11_ABI=0'] 
   ['-L/home/xxj/.local/lib/python2.7/site-packages/tensorflow', '-l:libtensorflow_framework.so.1']
   

4. 根据上个步骤的输出结果，修改makefile文件，-I之后的内容为TF_INC，-L之后的内容为TF_LIB。
   注意makefile中的D_GLIBCXX_USE_CXX11_ABI等于0还是1，以及-l:libtensorflow_framework.so.1，这两部分都需对应自己上一步的输出。

   vim makefile
   

   nvcc=/usr/local/cuda-8.0/bin/nvcc
   cudalib=/usr/local/cuda-8.0/lib64
   nsync=/home/xxj/.local/lib/python2.7/site-packages/tensorflow/include/external/nsync/public
   TF_INC=/home/xxj/.local/lib/python2.7/site-packages/tensorflow/include
   TF_LIB=/home/xxj/.local/lib/python2.7/site-packages/tensorflow
   
   all: tf_approxmatch_so.so tf_approxmatch_g.cu.o tf_nndistance_so.so tf_nndistance_g.cu.o
   
   tf_approxmatch_so.so: tf_approxmatch_g.cu.o tf_approxmatch.cpp
   	g++ -std=c++11 tf_approxmatch.cpp tf_approxmatch_g.cu.o -o tf_approxmatch_so.so -shared -fPIC -I $(TF_INC) -I $(nsync) -lcudart -L $(cudalib) -L $(TF_LIB) -l:libtensorflow_framework.so.1 -O2 -D_GLIBCXX_USE_CXX11_ABI=0
   
   tf_approxmatch_g.cu.o: tf_approxmatch_g.cu
   	$(nvcc) -std=c++11 -c -o tf_approxmatch_g.cu.o tf_approxmatch_g.cu -I $(TF_INC) -I $(nsync) -DGOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -O2 -D_GLIBCXX_USE_CXX11_ABI=0
   
   tf_nndistance_so.so: tf_nndistance_g.cu.o tf_nndistance.cpp
   	g++ -std=c++11 tf_nndistance.cpp tf_nndistance_g.cu.o -o tf_nndistance_so.so -shared -fPIC -I $(TF_INC) -I $(nsync) -lcudart -L $(cudalib) -L $(TF_LIB) -l:libtensorflow_framework.so.1 -O2 -D_GLIBCXX_USE_CXX11_ABI=0
   
   tf_nndistance_g.cu.o: tf_nndistance_g.cu
   	$(nvcc) -std=c++11 -c -o tf_nndistance_g.cu.o tf_nndistance_g.cu -I $(TF_INC) -I $(nsync) -DGOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -O2 -D_GLIBCXX_USE_CXX11_ABI=0
   
   clean:
   	rm tf_approxmatch_so.so
   	rm tf_nndistance_so.so
   	rm  *.cu.o
   

   修改完之后重新make
   如果修改过程中出了错，先make clean，再make。

5. 新建test.py文件验证

   vim test.py
   

   文件内容如下

   import tensorflow as tf
   nn_distance_module = tf.load_op_library('./tf_nndistance_so.so')
   

   没问题就可以继续往下了

6. 下载训练集，进入latent_3d_points/目录，运行.sh文件

   cd latent_3d_points/
   ./download_data.sh
   

• 亲测，数据集网站需要科学上网。服务器没法的，可以在本地先下好文件。数据集网址

• 将数据集文件上传到服务器上

  scp shape_net_core_uniform_samples_2048.zip username@serverIP:~/yourdir/
  

• 随后在服务器上进行一系列操作

  unzip shape_net_core_uniform_samples_2048.zip
  rm shape_net_core_uniform_samples_2048.zip
  mkdir -p data
  mv shape_net_core_uniform_samples_2048 data
  

train_single_class_ae.ipynb

终于可以运行AE啦

1. 进入latent_3d_points/notebook目录，在远程服务器上，启动jupyter notebook

   jupyter notebook --no-browser --port=8889
   

2. 在本地终端中启动ssh，-N告诉ssh没有命令要被远程执行；-f高速ssh在后台执行；-L是制定port forwarding的配置，远程端口是8889，本地端口是8888，username和serverIP改为自己服务器的IP和用户名。

   ssh -N -f -L localhost:8888:localhost:8889 username@serverIP
   

3. 修改第一个代码块的前三行
   

   import os.path as osp
   import sys
   sys.path.append(osp.abspath('../../'))
   

4. 一步一步运行代码块，完成训练

   ('Epoch:', '0001', 'training time (minutes)=', '3.7933', 'loss=', '0.003890567')
   ('Epoch:', '0002', 'training time (minutes)=', '3.7374', 'loss=', '0.001670681')
   ('Epoch:', '0003', 'training time (minutes)=', '3.7908', 'loss=', '0.001491568')
   ('Epoch:', '0004', 'training time (minutes)=', '3.7857', 'loss=', '0.001336398')
   ('Epoch:', '0005', 'training time (minutes)=', '3.7789', 'loss=', '0.001254967')
   ('Epoch:', '0006', 'training time (minutes)=', '3.7355', 'loss=', '0.001193760')
   ('Epoch:', '0007', 'training time (minutes)=', '3.7446', 'loss=', '0.001187483')
   ('Epoch:', '0008', 'training time (minutes)=', '3.7677', 'loss=', '0.001118673')
   ('Epoch:', '0009', 'training time (minutes)=', '3.7224', 'loss=', '0.001070869')
   ('Epoch:', '0010', 'training time (minutes)=', '3.6812', 'loss=', '0.001053343')
   

参考：
ubuntu利用conda创建虚拟环境，并安装cuda，cudnn，pytorch
latent_3d_points代碼復現：train_single_class_ae.ipynb
远程访问服务器Jupyter Notebook的两种方法