关于存储大小的问题 about hac HOT 13 OPEN

模型参数需要进行编码后再存储，编码后的文件在./bitstreams文件夹中。（也就是那些.b文件）
point_cloud.ply是原始的模型参数，并不是编码后的文件。
训练完后，你可以删去point_cloud.ply，因为模型参数都已经被编码存储在./bitstreams文件夹中了。
你应该查看./bitstreams文件夹的大小。

from hac.

你好，编码和解码函数分别在gaussian_model.py的第1074和1228行，他们在train.py里在最后一个训练iteration的时候被调用了（train.py的第299-308行）。此时你所提到的save_ply函数里所save的point_cloud.ply其实已经是解码过后的了。

在conduct_decoding函数中有将原始的变量替换为解码后的变量的过程（1339行 -1366行）。

明白了，谢谢你。

from hac.

模型参数需要进行编码后再存储，编码后的文件在./bitstreams文件夹中。（也就是那些.b文件） point_cloud.ply是原始的模型参数，并不是编码后的文件。 训练完后，你可以删去point_cloud.ply，因为模型参数都已经被编码存储在./bitstreams文件夹中了。 你应该查看./bitstreams文件夹的大小。

你好，我也有这个疑问，你的意思是说我们的项目是在根据得到的ply文件，然后压缩获取算法变成一个./bitstreams文件夹中的文件吗，这个文件夹的信息，是压缩点的信息，并不是把点的信息变少，对吗

from hac.

你好，点的位数没变，但是其信息熵通过我们的hash feature的预测降低了。信息熵降低后才可以利用算术编码实现编码压缩。

from hac.

你好，点的位数没变，但是其信息熵通过我们的hash feature的预测降低了。信息熵降低后才可以利用算术编码实现编码压缩。

好的，谢谢

from hac.

为什么out.log里的anchor大小比bitstream里的anchor.pkl小了一倍

from hac.

你好，点的位数没变，但是其信息熵通过我们的hash feature的预测降低了。信息熵降低后才可以利用算术编码实现编码压缩。

你好。方便解答一下我上面提的关于anchor文件大小的问题吗？谢谢

from hac.

你好，我们的工作对anchor采用16位的量化方式，那么在计算anchor的size的时候每个参数的size是16bit。在实际存储时为了方便，是16位量化后直接用torch保存的，这时候默认的保存格式是float32，但是实际上已经16位量化过了。因此出现了两倍的情况。你可以修改保存相关的代码，让pytorch保存为float16，这时候应该就是大小一致的。

祝好

from hac.

你好，我们的工作对anchor采用16位的量化方式，那么在计算anchor的size的时候每个参数的size是16bit。在实际存储时为了方便，是16位量化后直接用torch保存的，这时候默认的保存格式是float32，但是实际上已经16位量化过了。因此出现了两倍的情况。你可以修改保存相关的代码，让pytorch保存为float16，这时候应该就是大小一致的。

祝好

好的。谢谢哥们。

from hac.

模型参数需要进行编码后再存储，编码后的文件在./bitstreams文件夹中。（也就是那些.b文件） point_cloud.ply是原始的模型参数，并不是编码后的文件。 训练完后，你可以删去point_cloud.ply，因为模型参数都已经被编码存储在./bitstreams文件夹中了。 你应该查看./bitstreams文件夹的大小。

你好，直接删去point_cloud.ply后，在测试的时候，会报错找不到point_cloud.ply文件，请问该怎么解决这个错误呢？

from hac.

你好，目前的代码逻辑是从bitstream中解码得到point_cloud.ply，然后模型权重仍然读取此point_cloud.ply来测试（相当于point_cloud.ply是一个桥梁）。因此如果你删去了point_cloud.ply，你需要重新跑解码函数从bitstream中重新解码得到point_cloud.ply后再进行测试。

或者你可以修改代码，让模型直接从bitstream的解码结果里读取权重，这样就不需要point_cloud.ply这个中间文件了。

BTW，你应该把删去point_cloud.ply的操作放在编码后且解码前的位置，而不是放在解码后的位置，因为point_cloud.ply是解码结果。

祝好

from hac.

你好，目前的代码逻辑是从bitstream中解码得到point_cloud.ply，然后模型权重仍然读取此point_cloud.ply来测试（相当于point_cloud.ply是一个桥梁）。因此如果你删去了point_cloud.ply，你需要重新跑解码函数从bitstream中重新解码得到point_cloud.ply后再进行测试。

或者你可以修改代码，让模型直接从bitstream的解码结果里读取权重，这样就不需要point_cloud.ply这个中间文件了。

BTW，你应该把删去point_cloud.ply的操作放在编码后且解码前的位置，而不是放在解码后的位置，因为point_cloud.ply是解码结果。

祝好

谢谢你的解答，按照你上面的逻辑应该可以。但是我发现在保存point_cloud.ply文件的时候(gaussian_model.py line 634 save_ply函数)，好像是直接从优化变量中读取，并没有涉及从bitstream解码得到，这是为什么呢？

from hac.

你好，编码和解码函数分别在gaussian_model.py的第1074和1228行，他们在train.py里在最后一个训练iteration的时候被调用了（train.py的第299-308行）。此时你所提到的save_ply函数里所save的point_cloud.ply其实已经是解码过后的了。

在conduct_decoding函数中有将原始的变量替换为解码后的变量的过程（1339行 -1366行）。

from hac.