标签（空格分隔）： CASIA
- 本周主要是在做数据转换的工作，将阿里竞赛给出的数据转换成SequeezeSeg网络需要的格式，该工作已完成，预计今天可以转完；
- 修改了SequeezeSeg的代码，使转换出的格式可以feed进网络，顺利的话跑出一个结果，需要第一条中的数据跑完，进行中；
- Python的学习告一段落，现在主要是在写代码的过程中做收集，本周开始学习Tensorflow；
- 深度学习主要是在看视频和做一些网上找到的作业；
- Python学习可以直接在写代码过程中总结，现在学习重点尽快熟悉一种深度学习工具（Tensorflow），结合在学习的深度学习知识，了解工具可以做的事情；
- 直接写工程代码，要比系统学习熟悉起来要快，应该把重点放在对工程中业务逻辑的熟悉和修改上；
- 写代码时候应该多考虑一些性能上的问题，由于跑深度学习的任务往往涉及到的数据比较多，不同的写法消耗的时间有时候会差别很大；
- 深度学习的项目，自我理解在业务上还是以处理数据为主，应该把重点主要放在分析数据上；至于算法以及网络的选择等内容还有待进一步学习总结；
- 本周跟同学们做了一些交流和学习，总结出自己应该明确要做的问题，不要在其他不重要的点上做过多的纠结，提高学习和工作效率；
- 转数据的过程会出现很多空点，考虑将更多的数据落在网格中，跑出一个结果与之前的结果进行比较；
- 学习VoxelNet论文，与SequeezeSeg进行比较，了解两者在3D点云任务处理上的不同，明确该类问题要做的事情
- 比较VoxelNet与SequeezeSeg工程，总结出一套自己的深度学习工程组织方式；
- VoxelNet先不管，回到SequeezeSeg论文上，提出一些比较有意义的问题；
- 如何生成合适的测试结果？
- 训练出来的网络，如何用在测试数据上？
- 测试数据可以这样，直接取512个数据为一行，取64*512为一个组，直接进行训练就行了；
- 之前的程序可不是分8类啊，虽然结构不用管理，但输入和输出总要管的；