不同batch_size性能分析、MeshAnything论文

1、不同batch_size时运行train_segmentor.py的cpu、gpu、内存使用情况和batch_size性能分析

任务管理器cpu、gpu参数

Windows 11最新版：任务管理器性能参数详解，什么是分页缓冲池和句柄-CSDN博客

batch_size	cpu利用率	gpu [专用、共享、GPU内存]	iter用时(s)	iters / epoch	mesh-segmentor-loss	acc	总用时
60	22%	5.8，8.7，14.5	3-6	245	0.1306	0.9059	13 h+
50	15%	5.7，5.7，11.4	2.5-4	264	0.0341	0.9496	9-10 h
40	62%	5.7，4.1，9.8	1-3	368	0.0354	0.9614	4 h 28 m 47 s
30	11%	5.7，1.2，6.9	0.38	490	0.0184	0.9605	2 h 33 m 34 s
25	11%	5.8，0.5，6.3	0.25-0.5	588	0.0160	0.9853	1 h 41 m 49 s

2、mesh anything2

论文阅读

• mesh-gpt

• mesh anything 1

1、编解码部分

遵循MeshGPT[55]，我们首先训练一个VQ-VAE[61]来学习几何嵌入词汇表，以便更好地进行Transformer[62]学习。与使用图卷积网络[67]和ResNet[29]分别作为编码器和解码器的MeshGPT不同，我们采用具有相同结构的transformer来进行编码器和解码器。

2、transformer生成

为了给变压器增加形状条件，受到多模态大型语言模型[68, 37, 70, 25]成功的启发，我们首先使用点云编码器PP将点云编码成一个固定长度的令牌序列****，然后将它与来自TT VQ-VAE的嵌入序列的前端连接起来，作为transformer的最终输入嵌入序列：

T′=concat(P(S),T)

• mesh anything 2

M:=((v11,v12,v13),(v21,v22,v23),…,(v**N1,v**N2,v**N3))=SeqV(3)

由于排序，得到的Seq⁡VSeqV是唯一的，并且其长度是网格中面数的三倍。很明显，Seq⁡VSeqV包含大量冗余信息，因为每个顶点出现的次数与其所属的面数相同。

为了解决这个问题，我们提出了相邻网格标记化（AMT），以获得比之前方法更紧凑、结构更好的SeqVSeq**V。我们的关键观察是，SeqVSeq**V的主要冗余来自于用三个顶点表示每个面，如方程2所示。这导致已经访问过的顶点在SeqVSeq**V中重复出现。因此，AMT旨在尽可能使用单个顶点来表示每个面。如图2和算法1所示，AMT在标记化过程中有效地编码了相邻的面，只使用了一个额外的顶点。当没有可用的相邻面时，如图2的最后一步所示，AMT会在序列中插入一个特殊标记，并从尚未编码的面重新开始过程。要解码，只需按照算法1描述的顺序反转标记化算法即可

环境配置（err)

`: Microsoft Visual C++ 14.0 or greater is required.

下周任务：

nlp中的gpt encoder-decoder、pytorch学习

rplan数据集准备训练