安装环境：
作者GitHub上的描述：Python 2.7, TensorFlow 1.0.1, CUDA 8.0 and cuDNN 5.1 on Ubuntu 14.04.此外还需要h5py模块。
linux中配置环境为：Anaconda3.4.0，Python2.7，Tensorflow1.4.0以及h5py（安装主要参考清华镜像网站+TensorFlow官网安装介绍），CUDA8.0（官网下载，需要事先查看自己的显卡版本是否支持CUDA8.0），cuDNN6.1（需要在nvidia官网上注册账号再下载，安装的时候第一次装成了5.1，与tensorflow版本不兼容，后面换成6.1。tensoflow和cuda、cudnn的对应关系可以在这里找到：https://www.tensorflow.org/install/source）
清华镜像站tensorflow：https://mirrors.tuna.tsinghua.edu.cn/tensorflow/windows/gpu/
cudnn下载地址：https://developer.nvidia.com/rdp/cudnn-archive
cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive
实验室台式机的配置是：tensorflow1.1.0（清华镜像网站下载） + cuda8.0 + cudnn5.1 + python3.5.2（直接安装在anaconda虚拟环境中）
代码运行：
1.分类classification：
1.1 train
python train.py --batch_size=my_size --max_epoch=my_epoch
batch_size和max_epoch都可以自行设置，设置的batch_size越小，最后训练的准确率越低。如要更改provider.py文件中的DATA_DIR(存放数据的文件夹)，也一定要同时更新train.py中的TRAIN.FILES以及TEST_FILES，因为它们斗鱼DATA_DIR有关
还可以通过TensorBoard分析网络结构，监测训练的过程：
tensorboard --logdir log
1.2 evaluate
python evaluate.py --visu
2. 语义分割以及识别part segmentation：
首先下载数据：
cd part_seg
sh download_data
之后运行train.py进行训练，运行test.py进行测试，得到结果。
3. 代码分析：
3.1 train.py
train.py主要定义了训练的过程。前面parser定义了一些默认的参数，之后导入model（神经网络模型）以及确定LOG、TRAIN以及TEST文件夹的位置。
之后定义了获得学习率和衰减的函数：get_learning_rate(batch) get_bn_decay(batch)
train函数：设置loss、model等节点，和超参数、place holder一起放在ops里。并不真正run，为训练做好准备，控制每个epoch的训练。
train_one_epoch(sess, ops, train_writer)：把下载好的训练文件（TRAIN_FILES文件夹下）先随机打乱，之后按照batch的数目进行训练，其中每一次都要通过旋转和扰动两个函数（定义在provider中）扩大batched点云，其实就是对current_data进行了处理，并且根据jittered_data生成feed_dict，最后输出平均损耗mean loss和准确率accuracy
eval_one_epoch(sess, ops, test_writer)：对于每个测试文件，都要把每个batch数据喂进去，通过sess.run函数得到每次的summary, step, loss_val, pred_val，最终输出 mean loss，accuracy以及avg class acc（平均识别准确率）
3.2 models：
models文件夹下，存放了训练所用的三种网络结构，cls（识别）、seg（分割）、T-NET（一种微型网络，可以保证点云在经过刚体变换之后，仍然保持语义标签不变。值得一提的是，麻雀虽小五脏俱全，它本身也于大网络类似，实现所用到的基础模块包括特征抽取层、最大池化层以及全连接层等）。所用到的卷积等网络结构，底层实现部分在utils/tf_uitl.py中。
网络输入为B*N*3。B是batch_size，N是一个样本中点的个数，3是点云维度（三维坐标）。这里把一个样本看做了N*3的矩阵，类似二维图片，之后在其上进行卷积等操作。
值得说明的是，网络提取的特征不是3这个维度，这个维度在网络开始就被卷成了1，特征维度是输入expand出的新维度。
论文中所提及的MLP，在这里也是用卷积实现的。
3.3 pointnet_cls.py：
将各种网络组织在了一起，使得结构更加清晰。
get_model定义了网络结构，get_loss定义了损耗。
网络结构
按照网络流程，将整个网络分为以下几个阶段。
网络输入：[B,N,3,1]。
1. Input Transform Net与原始输入相乘
2.特征提取
这部分使用的都是2d-conv。
首先用[1,3]的卷积核将点云的宽卷成1，使用64个卷积核，得到输出维度[B,N,1,64]。再接一个[1,1]的卷积核，再次提取特征。
3. Feature Transform-Net与抽取出的特征相乘
这个部分看做子网络，单独使用model/transform_net.py实现。
实现过程中，先用几次[1,1]的卷积将特征升维，得到[B,N,1,1024]。然后在N维度上使用max pooling，reshape得到[B,1024]。在经过FC进行特征降维，得到[B,256]。再生成一个[256,64*64]的T-NET，相乘后得到[B,4096]，reshape成[B,64,64]。
T-NET和原输入tensor做张量乘法，expand第二维，得到STN的输出[B,N,1,64]。
4.特征整合
又是一系列的[1,1]卷积，将特征升维到[B,N,1,1024]。
5.对称操作（Symmetry Function ）
在N维度上使用max pooling，再reshape掉为1的维度，得到[B,1024]。
6.预测结果
接续几个全连接和drop out，降维到40，得到结果[B,40]。
loss设计
loss分为三部分：
classify_loss：分类的交叉熵损失。
mat_diff_loss：这个用于强迫T-NET把自己学的很正交。
reg_weight：正则项。
参考原文：https://blog.csdn.net/pikachu_777/article/details/83541115
