PCT_jittor

本仓库为清华大学计算机图形学（2026）实验三（PA3）的开源代码实现。项目基于 Jittor 深度学习框架，构建了 Point Cloud Transformer 网络，用于在 ModelNet40 数据集上进行三维点云的形状分类。

核心实现

特征提取：利用一维卷积完成点云坐标到高维特征空间的映射。
全局关系建模：实现了基于 jt.nn.bmm 的自注意力机制（Self-Attention Layer），并串联 4 层提取深层特征。
动态图与求导： Jittor 原生 jt.nn.cross_entropy_loss 确保动态图计算与反向传播的稳定性。

环境依赖

推荐在 Linux 或 WSL2 环境下运行（已验证环境：WSL2 + Conda）。

Python >= 3.9
Jittor
NumPy

安装 Jittor：

pip install jittor

目录结构

.
├── data/                  # 存放 ModelNet40 数据集 (已被 .gitignore 忽略)
│   ├── train_points.npy
│   ├── train_labels.npy
│   └── test_points.npy
├── pct.py                 # PCT 网络核心代码与训练逻辑
├── result.json            # 模型在测试集上的预测输出 (运行后生成)
├── pct_model.pkl          # 训练保存的模型权重 (运行后生成，已被忽略)
├── .gitignore             # Git 忽略配置文件
└── README.md              # 项目说明文档

运行指南

确保 data 文件夹与 pct.py 处于同一目录下，然后在终端执行以下命令启动训练与推理：

python pct.py

训练参数与策略

Points: 1024
Batch Size: 8
Epochs: 200
Optimizer: Adam (lr=0.001, weight_decay=1e-4)
Scheduler: CosineAnnealingLR

代码运行结束后，会自动在当前目录生成 pct_model.pkl 模型参数文件，并在测试集上完成推理，导出供头歌平台评测的 result.json 文件。