Ubuntu18.04+2070s+TF2.x环境，单卡训练PointNet++实战

1. 编译tf_ops文件夹下的三个动态库
2. 修改Python版本、TF版本不一致带来的差异
3. 下载训练数据
4. 模型训练

1. 编译tf_ops文件夹下的三个动态库

该文件夹下定义了一些pointnet++模型中需要使用的cuda核函数，如FPS（最远点采样）、grouping等，所以在训练模型前，需要先编译这些自定义的op

具体操作：
在每一个子文件夹中，运行sh tf_xxx.sh （每个子文件夹中不一样，tab一下就出来了）。

有可能需要根据自己的环境，对sh文件进行修改，例如我的环境中，cuda、tensorflow的版本、安装位置和作者都不一样，因此进行了一些头文件、库文件的路径修改，如下：

#/bin/bash
/usr/local/cuda/bin/nvcc tf_sampling_g.cu -o tf_sampling_g.cu.o -c -O2 -DGOOGLE_CUDA=1 -x cu -Xcompiler -fPIC
# 原命令 /usr/local/cuda-8.0/bin/nvcc tf_sampling_g.cu -o tf_sampling_g.cu.o -c -O2 -DGOOGLE_CUDA=1 -x cu -Xcompiler -fPIC

# TF1.2
g++ -std=c++11 tf_sampling.cpp tf_sampling_g.cu.o -o tf_sampling_so.so -shared -fPIC -I /home/hikai/.local/lib/python3.6/site-packages/tensorflow_core/include/ -I /usr/local/cuda/include -lcudart -L /usr/local/cuda/lib64/ -L /home/hikai/.local/lib/python3.6/site-packages/tensorflow_core/ -ltensorflow_framework -O2 -D_GLIBCXX_USE_CXX11_ABI=0

#原命令
## TF1.2
## g++ -std=c++11 tf_sampling.cpp tf_sampling_g.cu.o -o tf_sampling_so.so -shared -fPIC -I /usr/local/lib/python2.7/dist-packages/tensorflow/include -I /usr/local/cuda-8.0/include -lcudart -L /usr/local/cuda-8.0/lib64/ -O2 -D_GLIBCXX_USE_CXX11_ABI=0

# TF1.4
# g++ -std=c++11 tf_sampling.cpp tf_sampling_g.cu.o -o tf_sampling_so.so -shared -fPIC -I /usr/local/lib/python2.7/dist-packages/tensorflow/include -I /usr/local/cuda-8.0/include -I /usr/local/lib/python2.7/dist-packages/tensorflow/include/external/nsync/public -lcudart -L /usr/local/cuda-8.0/lib64/ -L/usr/local/lib/python2.7/dist-packages/tensorflow -ltensorflow_framework -O2 -D_GLIBCXX_USE_CXX11_ABI=0

（这里我增加了-ltensorflow_framework，是因为我编译时报错 undefined symbol: _ZTIN10tensorflow8OpKernelE了。）

也可以使用作者的全英ReadMe文档中推荐的方式：


To compile the operators in TF version >=1.4, you need to modify the compile scripts slightly.

First, find Tensorflow include and library paths.

        TF_INC=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_include())')
        TF_LIB=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_lib())')
        
Then, add flags of `-I$TF_INC/external/nsync/public -L$TF_LIB -ltensorflow_framework` to the `g++` commands.

编译完成
编译完成后，每个子文件夹中会有对应的.so文件，如下图所示：
在这里插入图片描述

2. 修改Python版本、TF版本不一致带来的差异

由于原作者用的python版本为2，我用的是3，因此所有print后面需要加括号， xrange也要改为range

原作者使用的是TF1.x，我用的是TF2.X, 因此直接在开头import tensorflow.compat.v1 as tf了

（或许还有其他差异，如果编译或运行报错，也可以优先考虑一下是不是版本差异导致的问题）

3. 下载训练数据

我是用normal数据训练的，用wget下载一下就好，

wget https://shapenet.cs.stanford.edu/media/modelnet40_normal_resampled.zip

4. 模型训练

最后，使用python train.py --normal ，就可以训练了。

我直接进行训练时，由于使用normal的数据，维度是6的，在shape方面报了个不匹配的错，于是做了如下修改，保障代码可运行

    # cur_batch_data = np.zeros((BATCH_SIZE,NUM_POINT,TRAIN_DATASET.num_channel()))
    cur_batch_data = np.zeros((BATCH_SIZE,NUM_POINT,3))
    
    # 略去...
    
    # 改为只取前3列
    cur_batch_data[0:bsize,...] = batch_data[:,:,0:3]
    # cur_batch_data[0:bsize,...] = batch_data