初次用PointCNN的同學，容易看不太懂它的代碼結構。
我們從README.md開始看起。
以分割任務中的Semantic3D數據爲例：
cd data_conversions#
bash download_semantic3d.sh bash un7z_semantic3d.sh mkdir ../../data/semantic3d/val #建了一個驗證集，把四個數據放了進去。
mv ../../data/semantic3d/train/bildstein_station3_xyz_intensity_rgb.* ../../data/semantic3d/train/domfountain_station2_xyz_intensity_rgb.* ../../data/semantic3d/train/sg27_station4_intensity_rgb.* ../../data/semantic3d/train/untermaederbrunnen_station3_xyz_intensity_rgb.* ../../data/semantic3d/val
cd split_data python3 semantic3d_split.py
cd .. python3 prepare_multiChannel_seg_data.py -f ../../data/semantic3d/out_part -c 6
cd ../pointcnn_seg ./train_val_semantic3d.sh -g 0 -x semantic3d_x8_2048_k16
這是一些列linux上的操作：
首先進入‘data_conversions’文件夾；
然後運行‘download_semantic3d.sh’腳本，用來加載數據集；
接着運行‘un7z_semantic3d.sh’解壓；
接着用‘mkdir’命令在這個文件夾中新建子文件夾，用來存放驗證集；
下一行‘mv’是把這幾個東西移動到剛纔建的文件夾中；
再然後，進入'split_data'文件夾，
運行腳本‘semantic3d_split.py’，對原始數據進行切分，因爲原始數據太大，我們先將它們切成小塊，進行處理。
再然後，返回‘data_conversions’文件夾；
運行腳本，把剛纔切分好的數據，轉換成能夠處理的格式；
進入‘pointcnn_seg’文件夾；
運行腳本train_val_semantic3d.sh，設置了兩個參數，分別是‘-g 0 -x semantic3d_x8_2048_k16’。
然後就開始訓練了。
到這裏，我們有必要看看train_val_semantic3d.sh做了什麼。裏面有47行代碼，但我們只要關注最後一行就行。
CUDA_VISIBLE_DEVICES=$gpu python3 ../train_val_seg.py -t ../../data/semantic3d/out_part/train_data_files.txt -v ../../data/semantic3d/out_part/val_data_files.txt -s ../../models/seg -m pointcnn_seg -x $setting > ../../models/seg/pointcnn_seg_$setting.txt 2>&1 &
這行代碼讓系統這麼操作：
使用GPU——用python3來運行代碼——返回上一級文件夾——執行train_val_seg.py代碼，並對其設置了幾個參數。分別是
‘-t’，告訴網絡，訓練數據的ground truth文本是哪個。
‘-v’,驗證數據的ground truth文本。
'-s',保存check points and summary的路徑和文件夾。
'-m',使用哪個模型。
'-x',要使用的設置。
可以說這句話的作用非常強大，把訓練網絡所有需要的東西都告訴代碼了。
如果你看過其他分割任務的sh腳本的話，其實和這個sh結構是一模一樣的。而且對於不同分割任務，用於進行訓練的環節（怎麼取模型、取數據、shuffle等操作）統統用一個公共的train_val_seg.py代碼來做了，這樣代碼的可移植性就非常高。