# CLNet

**Repository Path**: chuyongwei/clnet

## Basic Information

- **Project Name**: CLNet
- **Description**: 对于CLNet的解析仓库
- **Primary Language**: Unknown
- **License**: GPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-01-06
- **Last Updated**: 2025-01-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 我的笔记

## 日志

算了不写了，自己领悟吧
模型的感悟

参数方面
+ `out`获取的临时结果
+ `w0`，`w1`获取的权值

具体的运算过程：

1. 9临近运算，然后下提取出最后一次高权值的点位的数据，本模型包含，0，1次的权值，
   返回高权的对，每次的权值，提取后的权值0，1，2，
2. 将数据做一些归回生成新的数据对的集，去做6临近计算
3. 6临近计算，同9临近计算，下提取本模型包含，0，1次的权值，特征值（训练的结果），
    这次返回，。。。，和估计值
4. 加权八点运算计算此次的结果

代办
- [ ] 模型的各种细节
- [ ] 数据文件

## 大体框架

+ main.py : 入口文件：用于导入配置，数据集和模型
+ train.py : 训练文件，设置优化器和loss函数，以及checkout.pth中的训练记录提取装载
+ train中的循环体如下
  + 获取数据迭代器的头
  + train_step(): 一次训练
  + 验证
  + 训练完成一次后将所需的记录保存入日志
+ model.py :模型设计
  1. 设计一个模型，里边放入ds1和ds2，一个是9临近，一个是6临近
  2. 设计BLOCK模型，真正的模型，根据自己设计的模块做设计
  3. 每个节点做一个模块要起一个帅气的名字，一般的话有残差块，全局块之类的


## 局部解释

### 残差网络

这个类 ResNet_Block 定义了一个残差块（Residual Block），是残差网络（ResNet）中的基本构建模块。残差块通过引入“跳跃连接”（skip connection）来缓解深层神经网络中的梯度消失问题，从而使得网络可以更深。以下是对该类的详细解释：

类定义
继承自 nn.Module：ResNet_Block 继承自 PyTorch 中的 nn.Module，这是所有神经网络模块的基类.
初始化方法 __init__：
参数：
inchannel：输入通道数，表示输入特征图的通道数.
outchannel：输出通道数，表示输出特征图的通道数.
pre：一个布尔值，用于决定是否使用 self.right 路径进行前处理.
初始化过程：
super(ResNet_Block, self).__init__()：调用基类的初始化方法.
self.pre = pre：保存 pre 参数的值.
self.right：定义一个简单的卷积路径，只包含一个 1x1 卷积层，用于调整输入特征图的通道数.
self.left：定义一个更复杂的卷积路径，包含两个 1x1 卷积层和相应的归一化层与激活函数，用于提取特征.
第一个卷积层后接 nn.InstanceNorm2d 和 nn.BatchNorm2d，分别进行实例归一化和批量归一化，然后是 ReLU 激活函数.
第二个卷积层后接 nn.InstanceNorm2d 和 nn.BatchNorm2d，但没有激活函数.
前向传播方法 forward：
参数：x，输入特征图.
过程：
x1 = self.right(x) if self.pre is True else x：如果 pre 为 True，则通过 self.right 路径对输入进行处理，否则直接使用输入 x.
out = self.left(x)：通过 self.left 路径对输入进行处理，提取特征.
out = out + x1：将 self.left 路径的输出与 x1 相加，实现跳跃连接.
return torch.relu(out)：对相加后的结果应用 ReLU 激活函数，并返回最终的输出.
应用场景
残差网络构建：这个残差块可以用于构建残差网络，通过堆叠多个残差块来构建更深层的网络结构.
特征提取：在计算机视觉任务中，如图像分类、目标检测等，残差块可以有效地提取图像特征.
缓解梯度消失：通过跳跃连接，残差块使得深层网络的训练变得更加稳定，能够训练更深的网络模型.


### DGCNN_Block
这个类 DGCNN_Block 定义了一个基于动态图卷积神经网络（Dynamic Graph Convolutional Neural Network, DGCNN）的块。DGCNN 是一种用于处理点云数据的深度学习架构，通过构建动态图来捕捉点云中的局部几何结构。以下是对该类的详细解释：

类定义
继承自 nn.Module：DGCNN_Block 继承自 PyTorch 中的 nn.Module，这是所有神经网络模块的基类.
初始化方法 __init__：
参数：
knn_num：KNN（K-Nearest Neighbors）的邻居数量，默认为9。表示每个点在构建图时考虑的最近邻居数量.
in_channel：输入通道数，默认为128。表示输入特征的通道数.
断言：assert self.knn_num == 9 or self.knn_num == 6，确保 knn_num 只能是6或9.
卷积层定义：
根据 knn_num 的值，定义不同的卷积层序列 self.conv：
如果 knn_num == 9，则定义一个包含两个卷积层的序列，每个卷积层后面都接有批量归一化层和ReLU激活函数。第一个卷积层的卷积核大小为 (1, 3)，步长为 (1, 3)，第二个卷积层的卷积核大小为 (1, 3).
如果 knn_num == 6，则定义一个包含两个卷积层的序列，第一个卷积层与 knn_num == 9 的情况相同，第二个卷积层的卷积核大小为 (1, 2).
前向传播方法 forward：
参数：features，输入特征张量，形状为 (B, C, N, K)，其中 B 是批量大小，C 是通道数，N 是点的数量，K 是邻居数量.
过程：
B, _, N, _ = features.shape：获取输入特征张量的形状信息.
out = get_graph_feature(features, k=self.knn_num)：调用 get_graph_feature 函数，根据输入特征和KNN邻居数量构建图特征。这个函数通常会计算每个点与其最近邻居之间的特征差值，以捕捉局部几何结构.
out = self.conv(out)：将图特征通过定义的卷积层序列进行处理，提取更高级的特征.
返回处理后的特征 out.
应用场景
点云处理：DGCNN_Block 适用于处理点云数据，如3D物体分类、分割等任务。通过构建动态图和图卷积操作，能够有效捕捉点云中的局部几何信息.
特征提取：在点云特征提取过程中，DGCNN_Block 可以作为网络的一部分，用于提取具有判别性的特征，为后续的分类或分割任务提供支持.