标签（空格分隔）： CASIA
-
本周主要对机器学习所需要的Nvidia显卡支持进行了环境配置，分别在Windows10以及Ubuntu 18.04下进行，并调通；
-
Tensorflow-gpu这个库在win10上的支持并不好，会出现很多不知明的问题，慎用；Pycharm IDE会有很多bug，比如Debug不正常，或者页面无法关闭等等，请谨慎使用；
-
在Ubuntun下安装cuda前要先安装合适的Nvidia驱动，这个过程会遇到黑屏，也就是系统无法识别到N卡，以下详述；
-
本周通过对孟老师对深度学习和点云知识的讲解，掌握了深度学习的一些基本概念、基本工作过程以及三维点云的基本知识；学习了Logitic回归过程，使用numpy进行向量化；
-
分析了SequeezeSeg的项目工程，熟悉了深度学习工程的结构，项目构建的基本过程，以下详述；
- 总结 本周在环境上浪费了不少时间，在神经网络这块有了一定的基本了解，开始慢慢熟悉起来，大体能看懂代码中各个部分的作用；下周集中精力对输入转换进行编写，深度学习知识及时补充；
- 修改SequeezeSeg代码，将竞赛数据转换成SequeezeSeg可用的输入数据，使用给出的数据进行模型训练；
- 分析SequeezeSeg代码，掌握深度学习项目组织方式及简单应用的写法；
- 熟悉tensorflow，掌握基本用法；
- 深度学习基础持续学习中。。。
-
使用python脚本查看了工程用npy格式数据的格式，如下：
#!/usr/bin/python3 import numpy as np import argparse def load(path): npy = np.load(path) print(np.shape(npy)) print(npy) if __name__ == '__main__': parser = argparse.ArgumentParser(description = "script") parser.add_argument("--path", type = str, default = None) args = parser.parse_args() print("parser path: ") print(args) load(args.path)如下：
其中，最后一维的6个分量，分别为$ x, y,z, intensity, r = \sqrt{x^2 + y^2 + z^2}, category $，共32768个点，即一个npy文件包含了64*512个点的数据；训练数据共10848个，即共有10848个npy文件； [文件]
-
在imdb.py的read_batch里，有数据完整的组装过程，即imdb通过读入.npy格式数据，组装成模型需要的输入； 通过read_batch将npy组织成lidar_per_batch（batch * height * width * 5），lidar_mask_per_batch（batch * height * width * 1），label_per_batch（batch * height * width），这个部分还在理；
-
噪点 图像噪声，是一种亮度或颜色信息的随机变化现象，由传感器和电器等产生；
-
坏点 图像出现在相同位置处的杂点，而噪点的位置是随机的；
-
图像卷积
-
卷积核（滤波器）：可做为神经元
-
全卷积（FCN） CNN->卷积->pooling->上采样(反卷积)->复原
-
上采样
-
池化（下采样）
-
1X1 卷积
-
本周学习参考地址： Python3
-
本周练习存放地址：
- PS：
-
python3.0中整除用//，其他所有的除法都是精确除法；
-
_xxx_，如例，以__ 开始并以之结束为特殊变量，而以__开始的为private变量；
-
如果要获得一个对象的所有属性和方法，可以使用dir()函数；
-
pip list 查看当前安装的库， pip uninstall 删除某个库；
-
inf 无穷，nan：not a number；
-
Tensorflow tf.placeholder 占位符用法：
#!/usr/bin/env python # _*_ coding: utf-8 _*_ import tensorflow as tf import numpy as np # 定义placeholder input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) # 定义乘法运算 output = tf.multiply(input1, input2) # 通过session执行乘法运行 with tf.Session() as sess: # 执行时要传入placeholder的值 print sess.run(output, feed_dict = {input1:[7.],input2: [2.]}) #以上结果 [ 14.] -
easydict
可以方便地应用 . 来访问dict的值。
例如，普通的dictionary，访问值只能用下面的方式：
In [9]: d = {'foo':3, 'bar':{'x':1, 'y':2}} In [10]: d['foo'] Out[10]: 3 In [11]: d.foo --------------------------------------------------------------------------- AttributeError Traceback (most recent call last) <ipython-input-11-15fca6602818> in <module>() ----> 1 d.foo AttributeError: 'dict' object has no attribute 'foo'使用edict 包装后，就不一样了：
In [12]: from easydict import EasyDict as edict In [13]: easy = edict(d) In [14]: easy.foo Out[14]: 3 -
class Chain(object): def __init__(self, path=''): self._path = path def __getattr__(self, path): return Chain('%s/%s', %(self._path, path)) def __str__(self): return self._path __repr_ = __str__
-
分盘策略 efi 分区（efi格式）： 在UEFI模式下需要有该分区（必须） /boot （ext4）启动分区，在第一次安装时分配了200M，过程中提示了错误，虽然系统进去了，但是后期会发现少了很多库，所以第二次重装的时候分配了1024M，需知悉； swap（swap格式） 交换分区，一般与系统的内存大小相等就可以了； / （ext4）用户根目录，系统大小，可多分配； /home （ext4）用户工作目录，可多分配；
-
gcc与g++的安装 这个是ubuntu16.04下跟18.04下安装cuda的不同的一点，默认情况18.04下安装的是gcc与g++ 7.0的版本，而安装cuda需要的是小于6的版本，所以我们要对gcc、g++进行降级；
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50 # sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50 # -
驱动安装 安装了几次系统，黑屏的情况全部倒在这一步，后来解决的方式的是让系统自己安装所有合适的驱动，而不只是安装它推荐的版本，如下：
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update查看可用的驱动：
ubuntu-drivers devices画重点：
sudo ubuntu-drivers autoinstall后续：
reboot sudo apt install nvidia-cuda-toolkit nvcc --version -
cuda安装 这一步唯一要注意的是已经安装过驱动，安装cuda的过程中不要再重复安装；
sudo ./cuda_linux.run -toolkit -samples -silent -override会检查少哪些库，以下安装少的库：
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev -
环境变量设置 设置环境变量：
export PATH=/usr/local/cuda-9.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64\ ${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH} ```
- 验证安装
验证cuda安装：
cd NVIDIA_CUDA-9.0_Samples/5_Simulations/fluidsGL
make clean && make ./fluidsGL ```
PS：每隔几秒监视显卡运行状态
watch -n 10 nvidia-smi
- CloudCompare 图形化点云软件，ubuntu下安装：
# cloudcompare安装（ubuntu）
$ snap install cloudcompare