首先clone一下代码

git clone https://github.com/tatarchm/tangent_conv.git

根据Pre-prequisites：

python == 3.6
tensorflow >= 1.3
joblib

用docker pull下tensorflow的镜像

docker pull tensorflow/tensorflow:1.3.0-gpu-py3

用nvidia-docker创建容器，将tangent convolution的代码挂载进去，可以同时挂载自己需要的数据集

nvidia-docker run -it \
-e DISPLAY -e="QT_X11_NO_MITSHM=1" -e GDK_SCALE -e GDK_DPI_SCALE \
-v /tmp/.X11-unix:/tmp/.X11-unix \
-v '/home/youkenhou/tangent_conv':/tangent_conv \
tensorflow/tensorflow:1.3.0-gpu-py3 bash

打开容器之后安装joblib 更新：这里需要安装joblib 0.11版，否则跑semantic3d会出错。

pip3 install joblib

根据说明进行下一步，clone作者提供的Open3D

git clone https://github.com/tatarchm/Open3D.git

cd Open3D
util/scripts/install-deps-ubuntu.sh

经过以上步骤会装好Open3D编译所需的环境。但是在这里install-deps-ubuntu.sh会安装python2，导致之后的cmake会默认使用python2，而无法正确编译，之后会报No module named 'py3d'错误，所以要进行以下的步骤。

首先安装cmake

apt-get install -y cmake automake

再稍微修改作者提供的步骤，指定python3的位置

mkdir build
cd build
cmake -DPYTHON_EXECUTABLE:FILEPATH=/usr/bin/python3.5 ../src
make

以上修改参照这里。

编译好之后进入build/lib，确认是否成功编译了py3d

python3
>>> from py3d import *
>>>

能够import py3d说明成功了，接下来按照说明添加Open3D以及tangent convolution的路径。

打开tangent_conv/util/path_config.py，修改两行代码

open3d_path = '/tangent_conv/Open3D/build/lib/'
tc_path = '/tangent_conv/'

接下来就可以利用作者提供的脚本下载数据集并处理，这里下载了semantic3d的数据，一点小修改，需要把python改成python3，否则就会提示No module named 'py3d'

python3 get_data.py <directory_for_downloaded_files> <desired_output_directory> semantic3d

运行过程中可能会提示No module named 'wget'，只要安装wget就可以了

pip3 install wget

脚本运行过程中还会出现sh: 1: 7z: not found的错误，是因为没有安装解压软件

apt-get install p7zip-full

再次运行脚本，就可以开始下载semantic3d数据集了。注意这个数据集很大，要留好硬盘空间。

precompute.py中有旋转数据集以扩大的代码rotation，会把一个数据旋转八次，占巨大空间。

作者的semantic3d数据读取部分有些bug，所以没有跑通。 更新：上面装好joblib==0.11就不会有bug了

上述容器配置好之后，可以使用commit将容器保存为新的镜像

commit $container id$ tangent_conv:v1

之后再进行实验就可以利用新的命令

nvidia-docker run -it --rm --cpus=6 -m 24576M -p 6006:6006 \
-e DISPLAY -e="QT_X11_NO_MITSHM=1" -e GDK_SCALE -e GDK_DPI_SCALE \
-v /tmp/.X11-unix:/tmp/.X11-unix \
-v '/home/youkenhou/tangent_conv':/tangent_conv \
tangent_conv:v1 bash

--cpus可以限制容器使用的cpu数，-m可以限制容器使用的内存量，-p可以映射端口，进行tensorboard查看。

阿里点云分割比赛的训练集数据格式：pts文件夹包含了点云xyz坐标信息，intensity文件夹包含了点云强度信息，label文件夹包含了点云的分类，这三个文件夹中的文件名、文件个数都是对应的。

假设一个文件为12345.csv，pts/12345.csv是一个n行3列的数组，intensity/12345.csv是一个n行1列的数组，label/12345.csv是一个n行1列的数组。

tangent convolution的输入格式是n个文件夹，根据文件夹的名字来定义每一个输入文件，每个文件夹中包含了一个scan.pcd文件和一个scan.labels文件，根据作者的数据处理代码可以将阿里的数据pts转换为scan.pcd，label文件可以直接复制为scan.labels，改个名字就可以。脚本文件参考data_pre-process.py。

按照作者提供的步骤，下一步应该编写config.json文件，参照semantic3d的格式修改一些参数。记录一些参数的含义：

• "pre_min_cube_size"：室内场景为0.05，室外场景为0.1，应该是点云分割块的大小；
• "pre_num_rotations"：precompute时旋转的次数，如果数据集够大的话，可以把值改为1；
• "pre_dataset_dir"：训练集所在的位置，如果进行测试的话需要改为测试集的位置；
• "pre_output_dir"：保存precompute结果的位置，同样，测试的话需要改为测试集precompute的位置；
• "pre_dataset_param"：类别的名字，可以随便取，但是之后在model.py等文件中也要改成同样的名字；
• "co_train_file"：包含训练集中每个点云名称的txt文件；
• "co_test_file"：包含验证集/测试集中每个点云名称的txt文件；
• "co_experiment_dir"：主要与其他参数连接，比如与接下来的"co_output_dir"；
• "co_output_dir"：测试结果存放的文件夹；
• "tt_max_iter_count"：迭代轮数；
• "tt_batch_size"：batch size，根据显存进行调整 其他参数基本上和作者提供的一样就可以。

下一步是对训练数据进行分割，选出训练集和测试集，这个可以自行决定。

接下来需要修改tangent_conv/util/dataset_params.py，添加阿里数据集的参数设定。

• self.class_freq中填写每个类别的占比，用于初始化权重；
• self.color_map中写上类别个数+1种颜色，第一个应该为unlabel的类别，其他自行定义。

最后在model.py的if dataset_type ==部分加上自己定义的阿里数据的param，应该就没有问题了。

放个训练之后的效果图留个纪念，虽然交上去的结果很差，给小车类别的点上了红色：