pybullet-GGCNN神经网络搭建及训练

 

环境配置

推荐配置

py3.7

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()

 可以选择读取ggcnn或者ggcnn2

设置之前标注好的数据集路径

    # 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

    # 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

 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_argument('--model', type=str, default='output/models/211128_1147_new/epoch_0145_acc_0.0000.pth', help='保存的模型')
    parser.add_argument('--start-epoch', type=int, default=146, help='继续训练开始的epoch')
    args = parser.parse_args()

    return args

比如说这里设置的是 从之前断开的epoch145加载开始训练，那么下一个就是epoch146