iDP3 核心脚本包括三个：deploy_policy.sh、vis_dataset.sh、train_policy.sh，分别代表了部署、预处理和训练，分别作为对应 py 脚本的参数设置前置环节

训练环节仅需运行指令：

# 3d policy
bash scripts/train_policy.sh idp3 gr1_dex-3d 0913_example# 2d policy
bash scripts/train_policy.sh dp_224x224_r3m gr1_dex-image 0913_example

idp3、dp_224x224_r3m：policy 名称

gr1_dex-3d、gr1_dex-image：Fourier GR1、dexterous hands-3d/image

0913_example：附加信息，某个特定时间点的样例

此脚本输入设置包括：算法名称、任务名称和其他配置信息，支持调试模式和训练模式，并集成 wanb 作为日志记录工具

接下来分析一下其运行逻辑

目录

1 变量设置

2 命令行参数

3 衍生变量

4 调试模式

5 切换目录并设置环境变量

6 执行 train.py

---

1 变量设置

dataset_path=/home/ze/projects/Improved-3D-Diffusion-Policy/training_data_exampleDEBUG=False
wandb_mode=offline

dataset_path：训练数据集路径

DEBUG：切换调试模式（True）或训练模式（False）

wandb_mode：配置 wandb 记录模式，支持 online 或 offline

2 命令行参数

alg_name=${1}
task_name=${2}addition_info=${3}

接收算法名称（alg_name）、任务名称（task_name）和附加信息（addition_info）作为输入参数

3 衍生变量

config_name=${alg_name}seed=0
exp_name=${task_name}-${alg_name}-${addition_info}
run_dir="data/outputs/${exp_name}_seed${seed}"gpu_id=0
echo -e "\033[33mgpu id (to use): ${gpu_id}\033[0m"

config_name：根据算法名称设置配置文件名

exp_name：构建唯一的实验名称

run_dir：指定输出文件的存储目录

gpu_id：使用的 GPU ID

4 调试模式

if [ $DEBUG = True ]; thensave_ckpt=False# wandb_mode=onlineecho -e "\033[33mDebug mode!\033[0m"echo -e "\033[33mDebug mode!\033[0m"echo -e "\033[33mDebug mode!\033[0m"
elsesave_ckpt=Trueecho -e "\033[33mTrain mode\033[0m"
fi

根据 DEBUG 变量的值，动态地设置训练参数和运行模式

此处展开说明一下：

如果 DEBUG=True，则进入调试模式

如果 DEBUG=False，则进入训练模式

在调试模式下，save_ckpt 被设置为 False，即不会保存训练过程中的模型检查点（checkpoints）

调试模式通常用于快速验证脚本或模型是否可以正常运行，避免浪费存储空间和时间在保存中间结果上

此外，注释部分可以切换 wandb（Weights and Biases）的记录模式到在线模式，以实时查看调试日志。当前注释状态下，wandb_mode 保持原始的 offline 配置，以减少调试期间的外部依赖

echo -e "\033[33mDebug mode!\033[0m"

在终端中打印出黄色的 “Debug mode!” ，强调处于调试模式

echo：用于输出文本

-e：启用转义序列

"\033[33m"：设置文本颜色为黄色（ANSI 转义序列）

"\033[0m"：重置文本样式（返回到默认颜色）

然后就，重要的事情说三次......

5 切换目录并设置环境变量

cd Improved-3D-Diffusion-Policyexport HYDRA_FULL_ERROR=1 
export CUDA_VISIBLE_DEVICES=${gpu_id}

切换到项目目录以执行训练脚本

配置环境变量以启用完整错误跟踪（HYDRA_FULL_ERROR），并指定用于训练的 GPU 设备

6 执行 train.py

python train.py --config-name=${config_name}.yaml \task=${task_name} \hydra.run.dir=${run_dir} \training.debug=$DEBUG \training.seed=${seed} \training.device="cuda:0" \exp_name=${exp_name} \logging.mode=${wandb_mode} \checkpoint.save_ckpt=${save_ckpt} \task.dataset.zarr_path=$dataset_path 

--config-name：yaml 配置文件名

task：任务名

hydra.run.dir：Hydra 输出目录

training.debug：调试模式标志

training.seed：设置随机种子以确保可重复性

training.device：选择 GPU 设备

exp_name：指定实验名称，用于日志记录

logging.mode：配置 wandb 日志模式

checkpoint.save_ckpt：是否保存模型检查点

task.dataset.zarr_path：数据集路径