1.从main函数开始：

1.1 确定使用的哪个GPU.

 1.2 保存训练时的参数和日志

 2. 加载数据

 先找到存放训练和测试数据的目录，接下来加载相关的数据参数：

下面是执行的结果：

 接下来为训练样本开始做准备：

 给不同标签做上标记：

 定位每个样本文件：

 3.导入模型

 4.其他参数

4.1使用GPU

 4.2 加载预训练模型

 4.3 

 5.训练部分

 

optimizer.zero_grad()//将梯度清零，如果不加此话，梯度就会一直不断的累加。

接下来将点云转为Numpy的形式，并进行随机点剔除、缩放和平移

以上的内容对于防止过拟合很有帮助，提升模型的泛化能力

接下来就是将numpy转为tensor的数据形式，并将维度中 第2维和第3维进行转置，再放入cuda。

数据发生的变化：16*1024*3---》16*3*1024

进入网络开始训练

数据进入网络后进入  PointNetSetAbstraction 函数：

先将数据16*3*1024---》16*1024*3  因为我将数据 batch_size 设置为了16

16*1024*3：16个样本，每个样本1024个点，每个点3个维度（x,y,z）也可以认为是3个特征。

点云样本被送入 sample_and_group：什么作用

点云变化：

new_xyz：16*512*3   中心点   

new_points：16*3*32*512-->16*64*32*512-->16*128*32*512-->16*128*512

new_points 是在512个点附近查询的32个点，并采用PointNet的思想对32个点进行特征生维，然后计算32个点云的最大值，完成特征计算。

new_xyz：16*128*3

new_points：16*131*64*128-->16*128*64*128-->16*256*64*128-->16*256*128

这里出现131是因为128维特征再加上每个点原有的3个特征。

new_xyz:16*1*3

new_points:16*259*128*1-->16*256*128*1-->16*512*128*1-->16*1024*128*1-->16*1024*1

现在相当于降采样后，在1点查询附近的128个点，并进行特征生维然后，进行MaxPooling

x:16*1024-->16*512-->16*256-->16*10  训练完成，将loss和预测结果返回去

 计算每个样本的最大概率，将其记为预测结果。同时计算Loss，

loss.backward() 反向传播，计算当前梯度；

optimizer.step() 根据梯度更新网络参数