1.å¦ä½å©ç¨python使ç¨libsvm
2.DETR3D模型源码导读 & MMDetection3D构建流程
3.Python 重采样遥感数据 Pyresample (一)
4.3d稀疏卷积——spconv源码剖析（三）
å¦ä½å©ç¨python使ç¨libsvm
åå¤å·¥å ·libsvm软件å ï¼
çµèï¼
æ¥éª¤æä½
æå 解åå¨Cçä¹ä¸ï¼å¦ï¼C:\libsvm-3.ï¼
ç¨libsvmèªå¸¦çèæ¬grid.pyåeasy.py,源码éè¦å»å®ç½ä¸è½½ç»å¾å·¥å ·gnuplot,解åå°cçï¼
è¿å ¥c:\libsvm\toolsç®å½ä¸ï¼ç¨ææ¬ç¼è¾å¨ï¼è®°äºæ¬ï¼edité½å¯ä»¥ï¼ä¿®æ¹grid.pyåeasy.py两个æ件ï¼æ¾å°å ¶ä¸å ³äºgnuplotè·¯å¾çé£é¡¹ï¼æ ¹æ®å®é è·¯å¾è¿è¡ä¿®æ¹ï¼å¹¶ä¿åï¼
ä¾å举ä¾
常ç¨æ¥å£
æé«é¢æµçåç¡®ç
DETR3D模型源码导读 & MMDetection3D构建流程
本文主要梳理了学习理解DETR3D模型源码与MMDetection3D构建流程的过程。首先，源码介绍model dict的源码配置与模型参数设置，指出在模型部分按照backbone、源码neck、源码head顺序定义，源码灵敏CCI指标公式源码体现模型结构。源码
MMDetection3D在模型构建中利用类之间的源码包含关系递归实例化组件。在构建模型后，源码借助于registry机制实例化每一个组件，源码展现其层次性与模块化设计。源码
在初始化流程中，源码首先在train.py的源码build_model开始，通过调用build方法逐级初始化各子结构，源码直至最底层结构，源码遵循初始化顺序：Detr3D -> backbone -> neck -> head -> head_transformer -> head_transformer_decoder -> 最终组件。其中，洗盘买入源码许多类继承自官方提供的框架结构，通过super()调用在父类中实现子结构初始化。
关于DETR3D的组件，backbone、neck、head分别负责特征提取、融合、和目标检测的关键阶段。Detr3DHead继承自mmdet3d的DetrHead类，是模型的头部组件，实现特定检测任务。
DETR3DTransformer位于模型底层，是实现论文创新点的关键部分。其通过传感器转换矩阵预测reference points，并将投影到特征图，结合Bilinear Interpolation抓取固定区域特征，运营彩票源码通过object queries refinement改善queries，用于目标预测。这一部分负责查询、特征捕捉与优化。
Decoder是DETR3D的核心，专注于实现object queries refinement。这一过程在论文中被详细探讨，并在代码中得到具体实现。值得注意的是，F.grid_sample()在特征处理过程中扮演着关键角色，展示其在变换与映射任务中的应用。
Python 重采样遥感数据 Pyresample (一)
处理宽幅扫描遥感卫星数据时，如Sentinel-5、Ecostress和Modis等L1级或更低级别的数据，传统的影像重采样工具往往显得力不从心。GDAL虽然提供了将非规则化数据转换为规则化栅格的8爷源码论坛功能，但面对大规模数据时，其内存和CPU消耗问题令人头疼。在尝试过失败的编程实践后，Pyresample作为解决方案崭露头角。它依托于先进的kd-tree算法和Xarray、Dask等并行计算技术，尤其在应对大规模、非规则遥感数据重采样时表现出色。
Pyresample是一款专为地理空间影像数据重采样设计的Python包，是SatPy库的核心组件，也可独立使用。重采样是将位置数据点转化为目标投影和区域的过程。它支持栅格数据和经纬度采样数据，使用AreaDefinition和SwathDefinition等不同的“geometry”对象进行描述。
Pyresample提供多种重采样算法，如最近邻和双线性插值，快拿快递源码采用由pykdtree库支持的快速KDTree算法。它支持numpy数组和numpy掩码数组，以及XArray对象（包括对dask数组的支持），并辅以Cartopy进行数据可视化。从版本1.开始，Pyresample不再支持Python 2和Python 3.4以下版本。
要使用Pyresample，需要安装pyproj、numpy（版本1.以上）、pyyaml、configobj和pykdtree（版本1.1.1以上）。为了使用绘图功能，还需安装Cartopy和matplotlib（版本1.0以上）。若需dask和xarray支持，还需额外安装相关库。测试Pyresample时，所有可选包（如rasterio、dask等）需已安装。
安装方法包括pip从PyPI获取、conda通过conda-forge通道安装或直接从源码安装。开发模式安装可通过`pip install -e .`命令进行。Pykdtree的多线程支持可通过环境变量控制，而numexpr会优化处理性能。
在Pyresample中，`pyresample.geometry`模块包含了描述不同地理区域的类，如AreaDefinition（用于均匀间隔像素的区域）和SwathDefinition（处理非均匀像素的区域）。创建AreaDefinition对象时，需要指定投影方法或EPSG代码，而GridDefinition则适合已知像素经纬度值的场景。所有几何定义对象都提供访问像素坐标的方法，如get_lonlats()获取经纬度数据。
总的来说，Pyresample是处理大规模、非规则遥感数据重采样的高效工具，它通过优化算法和并行计算技术，简化了遥感数据分析过程。
3d稀疏卷积——spconv源码剖析（三）
构建Rulebook
下面看ops.get_indice_pairs，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：
主要就是完成了一些参数的校验和预处理。首先，对于3d普通稀疏卷积，根据输入shape大小，kernel size，stride等参数计算出输出输出shape，子流行稀疏卷积就不必计算了，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get_indice_pairs函数。因为spconv通过torch.ops.load_library加载.so文件注册,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，OP Register也是Pytorch提供的一种底层扩展算子注册的方式。注册的算子可以通过 torch.xxx或者 tensor.xxx的方式进行调用，该方式同样与pytorch源码解耦，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，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...
