项目简介

《计算机图形学基础》第三次作业开源代码仓库。 作业内容见 https://www.educoder.net/competitions/Jittor-7 使用 Jittor 深度学习框架，在经典的三维形状数据集 ModelNet40 上训练点云分类模型（如 PCT, Point Cloud Transformer），完成三维形状分类任务。 本项目提供了基于本题baseline(PCT模型)的一个优化实现, 最终提交的版本使用y轴旋转, 随机缩放与抖动, 初始学习率为1e-3的Adam优化器。

使用方式

使用服务器自带的jittor环境后运行python pct.py以运行测试并生成测试结果到result.json 可以使用命令行参数来调整训练参数。

    parser.add_argument('--data_dir', type=str, default='./data')
    parser.add_argument('--n_points', type=int, default=1024)
    parser.add_argument('--batch_size', type=int, default=32)
    parser.add_argument('--epochs', type=int, default=200)
    parser.add_argument('--optimizer', type=str, default='adam',
                        choices=['adam', 'sgd'],
                        help='Adam 搭配余弦退火时初始 lr 默认 1e-3；SGD 默认 1e-2')
    parser.add_argument('--lr', type=float, default=None,
                        help='不指定时：Adam 默认 1e-3，SGD 默认 1e-2')
    parser.add_argument('--seed', type=int, default=42)
    parser.add_argument('--report', type=str, default='report.md',
                        help='根目录下报告输出路径（默认 report.md）')
    parser.add_argument('--sa_dropout', type=float, default=0.1,
                        help='SA 层输出 Dropout 概率（仅训练）')
    parser.add_argument('--drop_path', type=float, default=0.1,
                        help='Stochastic Depth 最大丢弃率（仅训练，按层线性递增）')