文章地址：https://chrischoy.github.io/publication/r2n2/
代码地址：https://github.com/chrischoy/3d-r2n2/
整体代码基于theano框架，github上有详细的安装过程，所有代码均在virtualenv中实现，代码对应python版本应在3.5及其以上
1、该代码的主程序使用demo为直接调用已有的模型参数，进行demo的重建，
2、训练程序主要通过sh工程文件中的参数来运行
3、solver来运行程序
代码主程序有demo.py和main.py两个部分，其中demo.py是为了直接运行已有权重，main.py则是加入了训练的部分。网络结构结构放在model中，res_gru_net为论文主要模型。其余主要库文件在lib文件夹下。本代码中的网络结构多数为自写，少量使用了theano部分代码，主要使用函数为theano.function和theano.scan。
lib文件夹下，config.py存放全局所有调用的参变量。lib中的layer编写了每个层面的各个操作以及最优化所用的方法。
demo流程：1、记录保存的文件名，2、load图片 3、下载模型4、netclass 通过load——model调用，load_model的返回值为两个model的object，netclass为models中的ResidualGRUNet，5、net调用ResidualGRUNet所继承的net中的load函数，通过函数enumerate（http://blog.csdn.net/churximi/article/details/51648388），读取路径文件的各个数据的索引 权重，按顺序依次存放在net.params中，6、这时调用theano.function,以net.x=demo_imgs，net.y=none为输入，以net.output net.loss为输出，其中函数调用为gru_net中的net.output和net.loss
如何修改程序：
1、调用部分网络参数部分依然可以沿用load函数，返回的是list，而在额外初始化的部分可以继续append添加添加层的参数，
main流程：
1、附加参数初始化，
2、train_net()
3、train_net()中的main()
4、train_net()中的train_net()，读取网络类型参数值为cfg.CONST.NETWORK_CLASS，通过函数make_data_processes读取测试数据，调用solver中的train函数
