1.3d稀疏卷积——spconv源码剖析（五）
2.[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料
3.3d稀疏卷积——spconv源码剖析（三）
4.[3D游戏开发实践] Cocos Cyberpunk 源码解读-目录结构
5.完美解码设置源码输出完美解码设置
6.MMDetection3D之DETR3D源码解析：整体流程篇

3d稀疏卷积——spconv源码剖析（五）

       介绍在构建的字d字Rulebook指导下执行特定的稀疏卷积计算，关注于类SparseConvolution，源码样其代码位于spconv/conv.py。字d字

       Fsp.indice_subm_conv和Fsp.indice_conv经过spconv/functional.py中的源码样SubMConvFunction和SparseConvFunction对象转换，最终会调用spconv/ops.py模块中的字d字indice_conv等函数。

       专注于子流线卷积接口：indice_subm_conv，源码样源码对排名其代码位于spconv/functional.py。字d字

       通过Python接口调用底层C++函数可能不够直观，源码样因此使用torch.autograd.Function封装算子底层调用，字d字该类表示PyTorch中的源码样可导函数，具备前向推理和反向传播实现时，字d字即可作为普通PyTorch函数使用。源码样

       值得注意的字d字是，Function类在模型部署中具有优势，源码样若定义了symbolic静态方法，字d字此Function在执行torch.onnx.export()时，可依据symbolic定义规则转换为ONNX算子。

       apply方法是torch.autograd.Function的一部分，此方法负责在前向推理或反向传播时的调度工作。通过将indice_subm_conv = SubMConvFunction.apply简化为indice_subm_conv接口，简化了算子使用，屏蔽了SubMConvFunction的具体实现。

       SubMConvFunction的前向传播方法forward调用spconv/ops.py的indice_conv函数。在src/spconv/all.cc文件中，ECShop 源码分析 flow通过PyTorch提供的OP Register对底层C++API进行注册。

       通过torch.ops.load_library加载.so文件，使用torch.ops.spconv.indice_conv调用src/spconv/spconv_ops.cc文件中的indiceConv函数。

       深入探索src/spconv/spconv_ops.cc文件中的indiceConv函数。

       代写部分代码内容...

[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。ty影视系统源码接着，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。

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,部署orderer节点源码所以这里通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就是网站源码批量前缀(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...

[3D游戏开发实践] Cocos Cyberpunk 源码解读-目录结构

       在深入解读Cocos Cyberpunk源码之前，首先，让我们打开scene-game-start场景，启动游戏预览，进入游戏场景。点击START按钮，游戏正式开始。漫游摄像机将带你漫游整个场景，再次点击START，可以进入游戏。

       在电脑端按ESC键或手机端点击设置按钮，查看操作说明。接下来，让我们浏览Cocos Cyberpunk项目的目录结构。在左下角的Assets窗口中，我们可以看到项目文件的分层。

       首先，animations目录中仅包含用于场景漫游的摄像机动画文件。LightFX目录存储了光照贴图，这些是光照烘焙系统自动生成的，无需手动修改。res目录是整个游戏资源的集中地，包括动画、特效、模型、shader、UI、音效等资源。

       resources目录则存放动态加载的资源，当前内容较少，随着游戏的完善，资源将会增多。scene目录包含了环境反射探针文件，与场景文件名对应的文件夹存放反射贴图。scene-development目录则包含一些用于单元测试的开发场景。

       scripts目录存放所有游戏逻辑脚本，而src目录可能包含项目开发过程中的测试文件。test目录同样是用于测试的，存放的文件与项目无关。scene目录则是游戏主场景，而scene-game-start则为游戏启动场景，进行UI逻辑初始化，并加载游戏主场景。

       自定义管线以编辑器扩展的形式存在，可将其移至项目中。管线对应自定义管线，通过在场景中新建节点并添加pipeline/graph/pipeline-graph.ts组件来查看可视化管线图。实时探针相关组件在反射探针节点上挂载，提供实时更新功能。

       反射探针节点上的ReflectionUtils脚本组件实现了实时更新探针的逻辑，适用于需要实时探针的项目。此外，Cocos Cyberpunk还实现了SphereProjection修正，使得反射更符合物体形状。

       静态遮挡剔除机制在Cocos Cyberpunk中实现，通过将可见关系预存入空间格子，渲染时直接查表获得渲染列表，极大提升效率。这一部分主要在scene场景中的static-occlusion-culling结点中处理。

       机型适配策略在Cocos Cyberpunk中实现，根据设备性能选择渲染效果，确保流畅帧率。处理了不同设备上的效果调整，包括性能开关策略、机型分档策略，主要在href-settings.ts、gpu.ts和gpu-mobiles.ts文件中实现。

       游戏逻辑方面，Cocos Cyberpunk包含完整的TPS游戏逻辑，init节点包含了特效、UI、对象池等节点，挂载的init.ts脚本组件确保游戏逻辑在主场景加载后持续运行。接下来，我们将对游戏逻辑相关源码进行深入解读。

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。

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。