QWTforGithub
[email protected]
pointnet2/util.py 中报错 B, N, D = x0.shape diffusion_steps = torch.randint(T, size=(B, 1, 1)).cuda() # t ~ U[T] z = std_normal(x0.shape) # xt = sqrt(at_) * X0 + sqrt(1-at_) * z ==> q(xt|x0) xt = torch.sqrt(Alpha_bar[diffusion_steps]) * x0 + torch.sqrt(1 - Alpha_bar[diffusion_steps]) * z i = midpoint_interpolate(condition.permute(0, 2, 1)).permute(0, 2, 1) xt = torch.cat([xt, i], dim=-1)
第520行 xt = torch.cat([xt, i], dim=-1) 这里xt维度是 [B,N,D] (是由x0变换而来，而B, N, D = x0.shape显示x0维度是[B,N,D])，i维度是[B,rN,D] , 根据论文可知，目的是拼接成[B,N+rN,D]的张量，但是这里操作的维度是dim=-1,报错了，不知道是我设置的数据格式，还是代码的错误呢，修改成dim=1，就不会报错了。
第二个问题，参数 in_fea_dim "pointnet_config": { "model_name": "pointnet", "in_fea_dim": 3,
会报错，改成"in_fea_dim": 0 之后就不会报错了，有可能是我的数据格式问题，能否提供一下您输入到此函数时候x0，label，condition的维度呢 def training_loss( net, loss_fn, x0, diffusion_hyperparams, label=None, condition=None, alpha=1.0, gamma=None ): 我的x0和condition都是[B,2048,3]的 希望收到您的答复！感谢！
你好，代码本身是没有错误的，因为很多人都可以跑通的（参考其他close的问题）。需要改维度，说明输入数据的维度有问题。 我认为你应该是在训练期间碰到错误的是吗，因为涉及到了x0，输入的condition维度应该是[B,N,3]，而x0（Ground Truth）是[B,rN,3]，label的维度是[3,]（参考pointnet2/dataloader/dataset_loader.py）。 x0意味着ground truth，也就是上采样之后的稠密点云，维度应该是[B,rN,3]；xt意味着通过diffusion公式加噪x0而来的(xt~q(xt|x0))，因此维度是[B,rN,3]；condition意味着需要上采样的点云，也就是稀疏点云，维度应该是[B,N,3]；label意味着稠密点云x0与稀疏点云condition之间的倍率关系，维度[r-1,]（下标从0开始，比如差距4倍，那么输入是[3,]）；i意味着插值点云，从condition通过中点插值而来，维度应该是[B,rN,3]。
同时，xt = torch.cat([xt, i], dim=-1)，这一行代码意味着在最后一个维度进行拼接，比如[B,rN,3]与[B,rN,3]在最后一个通道拼接，那么应该是[B,rN,3+3]
请注意，在训练时，你的数据输入，只需要两个：condition [B,N,3]和x0 [B,rN,3]。label会自动生成（参考pointnet2/dataloader/dataset_loader.py）。
请注意，在训练时，你的数据输入，只需要两个：condition [B,N,3]和x0 [B,rN,3]。label会自动生成（参考pointnet2/dataloader/dataset_loader.py）。
很高兴收到你的答复，看了你说了，我现在明白了，是我之前的输入有问题，感谢解惑！
请注意，在训练时，你的数据输入，只需要两个：condition [B,N,3]和x0 [B,rN,3]。label会自动生成（参考pointnet2/dataloader/dataset_loader.py）。
很高兴收到你的答复，看了你说了，我现在明白了，是我之前的输入有问题，感谢解惑！
不客气。