1.3d稀疏卷积——spconv源码剖析（三）
2.完美解码设置源码输出完美解码设置
3.[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料
4.MMDetection3D之DETR3D源码解析：整体流程篇
3d稀疏卷积——spconv源码剖析（三）
构建Rulebook
下面看ops.get_indice_pairs，修改修改位于：spconv/ops.py
构建Rulebook由ops.get_indice_pairs接口完成
get_indice_pairs函数具体实现：
主要就是码d命令完成了一些参数的校验和预处理。首先，常用对于3d普通稀疏卷积，编辑根据输入shape大小，修改修改kernel size，码d命令nacos 源码教程stride等参数计算出输出输出shape，常用子流行稀疏卷积就不必计算了，编辑输出shape和输入shape一样大小
准备好参数之后就进入最核心的修改修改get_indice_pairs函数。因为spconv通过torch.ops.load_library加载.so文件注册,码d命令所以这里通torch.ops.spconv.get_indice_pairs这种方式来调用该函数。
算子注册：在src/spconv/all.cc文件中通过Pytorch提供的常用OP Register(算子注册的方式)对底层c++ api进行了注册，可以python接口形式调用c++算子
同C++ extension方式一样，编辑OP Register也是修改修改intl支付源码Pytorch提供的一种底层扩展算子注册的方式。注册的码d命令算子可以通过 torch.xxx或者 tensor.xxx的方式进行调用，该方式同样与pytorch源码解耦，常用增加和修改算子不需要重新编译pytorch源码。用该方式注册一个新的算子，流程非常简单：先编写C++相关的算子实现，然后通过pytorch底层的注册接口（torch::RegisterOperators），将该算子注册即可。
构建Rulebook实际通过python接口get_indice_pairs调用src/spconv/spconv_ops.cc文件种的getIndicePairs函数
代码位于：src/spconv/spconv_ops.cc
分析getIndicePairs直接将重心锁定在GPU逻辑部分，并且子流行3d稀疏卷积和正常3d稀疏卷积分开讨论，优先子流行3d稀疏卷积。
代码中最重要的3个变量分别为：indicePairs，indiceNum和gridOut，冲刺指标源码其建立过程如下：
indicePairs代表了稀疏卷积输入输出的映射规则，即Input Hash Table 和 Output Hash Table。这里分配理论最大的内存，它的shape为{ 2,kernelVolume,numAct}，2表示输入和输出两个方向，kernelVolume为卷积核的volume size。例如一个3x3x3的卷积核，其volume size就是(3*3*3)。numAct表示输入有效(active)特征的数量。indiceNum用于保存卷积核每一个位置上的总的计算的次数，indiceNum对应中的count
代码中关于gpu建立rulebook调用create_submconv_indice_pair_cuda函数来完成，下面具体分析下create_submconv_indice_pair_cuda函数
子流线稀疏卷积
子流线稀疏卷积是云对接源码调用create_submconv_indice_pair_cuda函数来构建rulebook
在create_submconv_indice_pair_cuda大可不必深究以下动态分发机制的运行原理。
直接将重心锁定在核函数：
prepareSubMGridKernel核函数中grid_size和block_size实则都是用的整形变量。其中block_size为tv::cuda::CUDA_NUM_THREADS,在include/tensorview/cuda_utils.h文件中定义，大小为。而grid_size大小通过tv::cuda::getBlocks(numActIn)计算得到,其中numActIn表示有效(active)输入数据的数量。
prepareSubMGridKernel作用：建立输出张量坐标(通过index表示)到输出序号之间的一张哈希表
见：include/spconv/indice.cu.h
这里计算index换了一种模板加递归的写法，看起来比较复杂而已。令：new_indicesIn = indicesIn.data()，可以推导得出index为：
ArrayIndexRowMajor位于include/tensorview/tensorview.h，其递归调用写法如下：
接着看核函数getSubMIndicePairsKernel3：
位于：include/spconv/indice.cu.h
看：
上述写法类似我们函数中常见的循环的写法，具体可以查看include/tensorview/kernel_utils.h
NumILP按默认值等于1的话，其stride也是gridDim.x*blockDim.x。索引最大值要小于该线程块的rtcp源码解析线程上限索引blockDim.x * gridDim.x，功能与下面代码类似：
参考： blog.csdn.net/ChuiGeDaQ...
完美解码设置源码输出完美解码设置
关于完美解码设置源码输出，完美解码设置很多人还不知道，
1、有些用户会在完美解码，播放3D**，但**视频是3D的，字幕是2D，大大降低了观看效果。那么如何设置3D字幕效果，我们来教你怎么操作。
2、首先我们将字幕加载到视频中去后，在画面右键菜单选择字幕-3D字幕，然后根据3D的类型选择左右或者上下字幕。
3、如果效果还是不满意，那么请直接前往3D字幕设置中，对其进行深度的设置，比如三维景观深度，人像深度等。
4、以上就是完美解码设置3D字幕的方法了，当然了你也可以建立一个字幕文件夹来专门存放字幕，以便下次加载视频的时候能够快速识别到字幕文件。
本文讲解到此结束，希望对大家有所帮助。
[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料
这篇文章详细介绍了如何从源码安装Pytorch3D，包括选择合适的镜像、配置工具和编译步骤。首先，选择Pytorch 1.9的devel镜像，包含CUDA和驱动，确保与Pytorch3D的版本要求相匹配，比如Python 3.7和CUDA .2。在镜像内，需要检查nvcc编译器、CUDA工具箱和驱动是否正常，同时安装基本工具如git、vim、sudo和curl。
配置CUB工具是关键步骤，根据Pytorch3D文档，需要在编译前设置CUB_HOME。即使Pytorch镜像自带CUDA，也建议手动设置`FORCE_CUDA`为1以确保兼容。接着，如果遇到conda依赖问题，作者选择从源码编译Pytorch3D，编译过程中的安装log和版本检查是必要的。
最后，通过测试用例，如从ARkit导出数据并渲染白模，验证GPU的使用。结果显示GPU正常工作，安装成功。对于更深入的Pytorch3D使用，作者还分享了一些参考资源，以便初学者入门。
MMDetection3D之DETR3D源码解析：整体流程篇
关于torch.distributed.launch的更多细节： blog.csdn.net/magic_ll/...
设置config file和work dir，work dir保存最终config，log等信息，work dir默认为path/to/user/work_dir/
作者将自定义的部分放在 'projects/mmdet3d_plugin/' 文件夹下，通过registry类注册模块，这里利用importlib导入模块并初始化自定义的类。
这里设置模型的输出信息保存路径、gpus等模型的运行时环境参数
这里初始化模型，初始化train_dataset和val_dataset
这部分完成了DataLoader的初始化，runner和hooks的初始化，并且按照workflow运行runner。
