RAY.TRACER

在TensorRT使用前須要把先前的freezing graph轉換成.UFF(Universal File Format) 系統: ubuntu 16.04 LTS 硬體裝置:64-bit、GTX 680M 建議使用 English(United States)做為系統環境的語言 [ 純文字模式  中才不會因為路徑打不出中文而卡關-- Ubuntu主要分為兩個模式:   1. 純文字模式/console:進入方式 Ctrl+Alt+F1~F6   2. 視窗模式:進入方式 Ctrl+Alt+F7~F12 ] 安裝 Nvidia Driver + cuda 8.0 + TensorRT 4.0 不確定是不是真的需要安裝driver 與 cuda 畢竟我的目的只是要轉檔(因為不支援windows😢) First. 安裝Dirver 安裝Dirver時可能遇到 要求停用 X Server 這時需要切換到純文字模式且關閉X server command: sudo /etc/init.d/gdm stop    or  sudo /etc/init.d/kdm stop sudo  sh NVIDIA_Linux-XXXXXXXXXXX.run Second. 安裝TensorRT4.0裡的 uff-convert-tf 如果無法順利安裝，可在var中找到分散tensorRT安裝檔，只需要順利將uff-convert-tf_XXX.deb安裝就可以了 Third. 安裝 tensorflow # 安裝pip3 sudo apt-get update sudo apt-get install python3-pip #安裝 tensorflow-gpu sudo pip install tensorflow-gpu #安裝 tensoflow(cpu) sudo pip3 install tensorflow Fourth. convert pb to uff Command: python3 import tensorflow import uff uff.from_tensorflow_frozen_mo...

為了將model提供其他應用程式做使用 目標 我會將keras 轉換成 tensorflow 的 pb檔是為了在tensorRT中建置model，在tensorRT中需要再將.pb檔轉成.uff，才能提供給TensorRT使用，因為tensorRT支援的關係，目前需要在Linux的作業系統之下才能將.pb檔轉成.uff檔。 概要: Keras framework提供將model儲存成.h5檔的function，其中的內容包含自訂的 neural network 的graph，與訓練之後的參數(weights)，也可以單獨儲存weights，如果只有保留weights則需要在Tensorflow中重新建立graph，並將weight帶入，但這方法非常沒有效率。 於是將訓練好的model freezing，不能再更改weights，也就是不能在訓練，並且將單獨儲存的weights(.ckpt檔.meta檔)重建出graph，最後輸出.pb。 需求: 1. 安裝keras、tensorflow 2. TensorBoard(要用來查詢output的名稱) 實作: 1.將import 的來源要改成 tensorflow.keras ex. from keras import Conv2D ->tensorflow.keras.layers import Convolution2D def freeze_graph(model_dir, output_node_names):   """Extract the sub graph defined by the output nodes and convert   all its variables into constant   Args:       model_dir: the root folder containing the checkpoint state file       output_node_names: a string, containing all the output node's names,  ...

期望複製出論文中的 Recurrent convolution neural network 目前的NN只有convolution、max pooling、upsampling這些方法建構出的類神經網路訓練後結果並不理想。 ■. 以概觀來看，場景中的亮度，在陰影的部分有正確還原出，但在顏色的部分彩度仍有缺失 ■ . 細部的部分，銜接點有很明顯接線，場景中的細節在還原後消失了，可能原因是被當成noise去掉了。 *. 目標1:更精確地取出影像的特徵點，在不取noise的狀態之下 *. 目標2:為了找出 neural network中的問題，將每一層的feature map畫出，以便找出原因 Monte Carlo Path Tracing ray tracing 於1980年，Whitted提出在電腦中產生場景影像的方法，可以產生鏡面反射、折射、陰影，但無法產生全域照明的效果。 Kajiya於1986提出 rendering equation與path tracing ，rendering equation用來表示光的物理現象，物體x點的位置2對於某方向的radiance，與入射光的radiance，Li(x,wi)表示入射光的radiance，fr(x,wi,wo)是表示BRD也就是入射光的radiance對反射光的radiance的影響。而在path tracing之後許多人提出以近似值的計算提高繪製的效率，像是bidirection lighting、photon mapping等。 在1984年Cook將monte carlo演算法使用到ray tracing中，模擬出了soft shadow、金屬光澤、景深等效果。其中一種Unbiased的monte carlo演算法概念為，光從camera出發，與物體相交十依據物體的材質產生一個方向並繼續追蹤場景，直到打到光源或打到背景，最後計算此pixel的顏色值。會受到取樣的影響，因為不一定會打到光源，則會產生雜訊。 參考: http://www.jun.ninja/projects/gcg/report.pdf https://yiusay.net/index.html#graphics&1 direction Lighting 由眼睛開始追蹤直到Light ，就直接畫出 indirection ...

在training前需要將讀入的rgb標準化，讓資料落在某一特定區間，提高精準度 denoise 效果:

看書[TensorFlow x Keras 工作現場開發] Autoencoder、CAE、DAE之間的區別: Autoencoder: 主要用在維度的縮減，讓x資料經過壓縮，再重構成與x相近的資料，每一層都是用MLP(muti layer percepton)。MLP由AND、OR、XOR、NAND等感知器組合而成。 CAE:每一層都是用CNN架構，認為CNN比MLP適用於影像， DAE(denoising autoencoder)的目標在於，在資料壓縮時將雜訊消去，只留下重要的特徵點。 可應用於ORC(光學文字辨識)，印刷文字會有雜訊，在文字辨識的前處理。 補充: 模型建構後的學習:使用Adam(Adaptive Moment Estimation)使用梯度的演算法，收斂較快 卷積層: i. 就算輸入的影響尺寸越大，影響的只有特徵圖的大小，不影響特徵圖中的權重 ii.當影像為彩色時，會分將RGB分成三張輸入 使用他的model 可能因為我需要輸出的是彩色的圖 效果並不理想 還需要修改

1. 將點光源改為面光源，發現雜訊少了很多，但indirection lighting消失了: 發現另一個問題，在草的地方有畫錯，光會穿過牆，應該是tracing的問題 原因都是:在CUDA沒把初始化prd.done設為false只經過一次的tracing就停止了，某些部分則持續進行 石柱上可以看到 布的indirection lighting denoising 部分: 因為training時的lighting color是有點黃色，再輸入新的noise input後，output仍為黃色，僅調整了亮度，與修補空缺，雖然可以接受光源移動，光的顏色就沒有辦法調整了。 denoising 的切痕:因為輸入 denoising model的大小為128*128 pixel，會在後處理中切成4塊，處理完 denoise 成後再合併 1spp denoising result 1spp denoising result super sampling: 128*128 2SPP 重複取樣2*2->4*4  放大兩倍的pixel result 直接填入 直接填入的 result 因為黑色部分較多，亮度也減少了 目前能調整的部分為: 1. model的修改