对于Pointnet++这个网络是一个基于和扩展Pointnet网络，pointnet网络(V1模型)可以独立的转换各个点的特征，也可以处理整个点集的全局特征，然而在多数情况下，存在明确定义的距离度量，例如，由3D传感器手机的3D电云的欧几里得距离或者注入等距形状表面的流形的测地距离。在pointnet++中，网络对点集的空间局部特征进行了处理。

本博文主要记录跑pointnet++时候遇到的几个问题，以及如何解决的。

pointnet++官网的运行环境是：在 Unbuntu14.04系统下，Python版本2.7，Tensorflow-GPU版本 1.2.0

本博文的运行的环境是：在Ubuntu18.04.1系统下， Python版本 3.6.2， Tensorflow-GPU版本 1.8.0

问题1：python版本不一致的问题

官网的代码运行的Python版本是2.7，本博文的Python版本是3.6.2，所以需要将所有的代码中出现 xrange 更改为range

所有需要print的部分都需要使用括号括起来。

问题2：缺少一些必要的库的问题

如果代码中缺少必须要是用的库，那么你需要安装相应的库。一些库可以使用pip命令进行安装，而有的一些自己编写的函数需要导入的则需要将它的路径添加到python的libary path中即可。

对于可以使用pip命令安装的库可以使则需要使用下面命令进行缺少库的安装。

pip3 install 库的名称

#例如，缺少numpy

pip3 install numpy

对于一些自己编写的需要导入，像这个里面的   modelnet_dataset.py   、modelnet_h5_dataset.py 等 就不能使用pip命令进行安装，这时就在终端中输入以下命令新建一个pth格式文件，(针对在pycharm中进运行代码的)

echo > pointnet++.pth

使用右键点击 Open With Text Editor 打开文件后，在里面添加 需要导入自己编的函数的路径然后保存。

把保存后的文件复制到你的python的site-packages文件夹中，我的是在路径：/home/hui/anaconda3/lib/python3.6/site-packages中。这时候重新打开pycharm就会发现，找不到自己编写的库的问题已经解决。

问题3：如何进行编译tf_ops文件夹下的文件并得到   *so 和 *o   格式的文件

在tf_ops的文件夹下，有   3d_interpolation、grouping、sampling 三个文件夹，每一个文件夹中的文件都需要进行编译才能运行

1.如果你的环境配置和官方的环境配置一样，进入到sampling文件夹中(以这个编译为例，其他两个和这个一模一样)，右击打开终端，输入下面命令就可以编译成功。

sh tf_sampling_compile.sh

编译前：                                                                             编译成功后：

2.如果和官方的环境不一样(其实可以不用管tensorflow的版本，版本高的都用TF1.4 并将TF1.2下面的命令注释掉就行；低于1.4的你就用TF1.2下面的命令，将TF1.4注释掉)，则需要修改    tf_sampling_compile.sh  文件中的内容。

修改前的内容，如下图所示。

修改后的内容，如下图所示。

下面是对上面为什么这样修改的解释说明：

对于 /bin/bash 下面的修改，你需要找到你电脑中安装nvidia的cuda的位置，如果是默认安装位置一般情况下是在路径： /usr/local/cuda-9.0/bin/nvcc  下，如果记不清楚在哪里，直接文件夹的搜索，找到nvcc路径，并将  /usr/local/cuda-8.0/bin/nvcc  l路径替换掉即可。

该前：

改后：

对于#   TF1.4  下面的修改，需要替换掉5个路径

①路径：/usr/local/lib/python2.7/dist-packages/tensorflow/include  的替换。

你需要找到你自己的python下的tensorflow的安装包在哪里，我的使用的anaconda下的环境，路径在      /home/hui/.local/lib/python3.6/site-packages/tensorflow/include (如果你找不到，直接使用‘tensorflow’关键词进行搜索) ，然后替换掉原始文件中的路径   /usr/local/lib/python2.7/dist-packages/tensorflow/include  就行。

②路径： /usr/local/cuda-8.0/include   的替换

对于  /usr/local/cuda-8.0/include 命令，找到你的电脑中安装的cuda下的include路径即可(找不到，直接使用关键词‘cuda’ 进行搜索)。(我的是：/usr/local/cuda-9.0/include   替换掉    /usr/local/cuda-8.0/include)。

③路径：  /usr/local/lib/python2.7/dist-packages/tensorflow/include/external/nsync/public   的替换。

这个是你所安装的tensorflow库文件夹下的public文件夹(不一定在tensorflow文件夹下，找不到直接用关键词‘external’搜索文件夹，找到后替换)。

我的路径是：/home/hui/.local/lib/python3.6/site-packages/external/nsync/public     替换掉      /usr/local/lib/python2.7/dist-packages/tensorflow/include/external/nsync/public

④路径：  /usr/local/cuda-8.0/lib64/    的替换。

跟②一样的方法，只要找到②，这个就一定能找到。我的路径：/usr/local/cuda-9.0/lib64/     替换掉     /usr/local/cuda-8.0/lib64/

⑤路径：  /usr/local/lib/python2.7/dist-packages/tensorflow    的替换。

跟①一样的方法，只要找到①，这个也一定能找到。我的路径：/home/hui/.local/lib/python3.6/site-packages/tensorflow    替换掉      /usr/local/lib/python2.7/dist-packages/tensorflow

替换掉上面路径后然后保存。

替换前：

替换后：

然后使用下面命令进行编译，得到   *o   和   *so  文件就说明编译成功。

sh tf_sampling_compile.sh

编译成功后如下图所示：

tf_ops 文件夹下的  3d_interpolation 和 grouping 文件夹的编译方式和上面一样。

如果你使用单GPU进行训练到这里代码基本没有什么问题，可以正常训练。如果是多个GPU进行训练还需要解决下面的问题四。

问题4：tensorflow版本不同带来的问题

由于我这里是tensorflow1.8.0版本，官网是1.4版本，有些代码是不一样的，这里进行修改(很小的修改，大部分还是不需要改的)。

train_multi_gpu.py文件的186 和 188 行会报出下图的错误：

错误的代码 ：

##train_multi_gpu.py文件中的186行和188行

pc_batch = tf.slice(pointclouds_pl,

[i*DEVICE_BATCH_SIZE,0,0], [DEVICE_BATCH_SIZE,-1,-1])

label_batch = tf.slice(labels_pl,

[i*DEVICE_BATCH_SIZE], [DEVICE_BATCH_SIZE])

改正后的代码：

pc_batch = tf.slice(pointclouds_pl,

[int(i*DEVICE_BATCH_SIZE),0,0], [int(DEVICE_BATCH_SIZE),-1,-1])

label_batch = tf.slice(labels_pl,

[int(i*DEVICE_BATCH_SIZE)], [int(DEVICE_BATCH_SIZE)])

到这里我碰到所有的问题已经解决，可以正常运行，下面是运行的结果。

运行结果

1.运行下面命令，在tensorboard中可视化。

tensorboard --logdir=log

2.CPU的使用情况

3. GPU的使用情况

4.使用 utils 文件夹下的  show3d_balls.py  文件可视化出来的结果。