這篇部落格來讀一讀TSN算法的PyTorch代碼,總體而言代碼風格還是不錯的,多讀讀優秀的代碼對自身的提升還是有幫助的,另外因為代碼内容較多,是以分訓練和測試兩篇介紹,這篇介紹訓練代碼,介紹順序為代碼運作順序。TSN算法的介紹可以參考部落格TSN(Temporal Segment Networks)算法筆記。
論文:Temporal Segment Networks: Towards Good Practices for Deep Action Recognition
代碼位址:https://github.com/yjxiong/tsn-pytorch
項目結構:
main.py是訓練腳本
test_models.py是測試腳本
opts.py是參數配置腳本
dataset.py是資料讀取腳本
models.py是網絡結構建構腳本
transforms.py是資料預處理相關的腳本
tf_model_zoo檔案夾關于導入模型結構的腳本
main.py是訓練模型的入口。
首先是導入子產品,其中比較重要的是導入模型:from models import TSN,導入配置的參數:from opts import parser。
import argparse
import os
import time
import shutil
import torch
import torchvision
import torch.nn.parallel
import torch.backends.cudnn as cudnn
import torch.optim
from torch.nn.utils import clip_grad_norm
from dataset import TSNDataSet
from models import TSN
from transforms import *
from opts import parser
best_prec1 = 0
main函數主要包含導入模型、資料準備、訓練三個部分,接下來将按順序介紹。parser是在opts.py中定義的關于讀取指令行參數的對象,然後通過from opts import parser導入的。model = TSN(num_class, args.num_segments, args.modality,…,partial_bn=not args.no_partialbn)這一行是導入模型操作,TSN類的定義在models.py腳本中。輸入包含分類的類别數:num_class;args.num_segments表示把一個video分成多少份,對應論文中的K,預設K=3;采用哪種輸入:args.modality,比如RGB表示正常圖像,Flow表示optical flow等;采用哪種模型:args.arch,比如resnet101,BNInception等;不同輸入snippet的融合方式:args.consensus_type,比如avg等;dropout參數:args.dropout。
def main():
global args, best_prec1
args = parser.parse_args()
if args.dataset == 'ucf101':
num_class = 101
elif args.dataset == 'hmdb51':
num_class = 51
elif args.dataset == 'kinetics':
num_class = 400
else:
raise ValueError('Unknown dataset '+args.dataset)
model = TSN(num_class, args.num_segments, args.modality,
base_model=args.arch,
consensus_type=args.consensus_type, dropout=args.dropout, partial_bn=not args.no_partialbn)
TSN類(定義在models.py中)的初始化操作:init,這裡隻列出主要的代碼。new_length和輸入資料類型相關。這裡主要調用了該類的兩個方法來完成初始化操作,一個是self._prepare_base_model(base_model),通過調用TSN類的_prepare_base_model方法來導入模型。另一個是feature_dim = self._prepare_tsn(num_class),通過調用TSN類的_prepare_tsn方法來得到。另外如果你的輸入資料是optical flow或RGBDiff,那麼還會對網絡結構做修改,分别調用_construct_flow_model方法和_construct_diff_model方法來實作的,主要差别在第一個卷積層,因為該層的輸入channel依據不同的輸入類型而變化。接下來依次介紹這些方法。
class TSN(nn.Module):
def __init__(self, num_class, num_segments, modality,
base_model='resnet101', new_length=None,
consensus_type='avg', before_softmax=True,
dropout=0.8,
crop_num=1, partial_bn=True):
super(TSN, self).__init__()
if new_length is None:
self.new_length = 1 if modality == "RGB" else 5
else:
self.new_length = new_length
self._prepare_base_model(base_model)
feature_dim = self._prepare_tsn(num_class)
if self.modality == 'Flow':
print("Converting the ImageNet model to a flow init model")
self.base_model = self._construct_flow_model(self.base_model)
print("Done. Flow model ready...")
elif self.modality == 'RGBDiff':
print("Converting the ImageNet model to RGB+Diff init model")
self.base_model = self._construct_diff_model(self.base_model)
print("Done. RGBDiff model ready.")
self.consensus = ConsensusModule(consensus_type)
if not self.before_softmax:
self.softmax = nn.Softmax()
self._enable_pbn = partial_bn
if partial_bn:
self.partialBN(True)
_prepare_base_model方法的部分代碼(以base_model為‘BNInception為例’)如下。getattr子產品的使用:getattr(tf_model_zoo, base_model)()類似tf_model_zoo.BNInception(),因為要根據base_model的不同指定值來導入不同的網絡,是以用getattr子產品。導入模型之後就是一些正常的配置資訊了。
elif base_model == 'BNInception':
import tf_model_zoo
self.base_model = getattr(tf_model_zoo, base_model)()
self.base_model.last_layer_name = 'fc'
self.input_size = 224
self.input_mean = [104, 117, 128]
self.input_std = [1]
if self.modality == 'Flow':
self.input_mean = [128]
elif self.modality == 'RGBDiff':
self.input_mean = self.input_mean * (1 + self.new_length)
BNInception類,定義在tf_model_zoo檔案夾下的bninception檔案夾下的pytorch_load.py中。前面當運作self.base_model = getattr(tf_model_zoo, base_model)(),且base_model是‘BNInception’的時候就會調用這個BNInception類的初始化函數__init__。manifest = yaml.load(open(model_path))是讀進配置好的網絡結構(.yml格式),傳回的manifest是長度為3的字典,和.yml檔案内容對應。其中manifest[‘layers’]是關于網絡層的詳細定義,其中的每個值表示一個層,每個層也是一個字典,包含資料流關系、名稱和結構參數等資訊。然後get_basic_layer函數是用來根據這些參數得到具體的網絡層并儲存相關資訊。setattr(self, id, module)是将得到的層寫入self的指定屬性中,就是搭建層的過程。這樣循環完所有層的配置資訊後,就搭建好了整個網絡。
建構好了網絡結構後,另外比較重要的是:self.load_state_dict(torch.utils.model_zoo.load_url(weight_url))這一行,可以分解一下,裡面的torch.utils.model_zoo.load_url(weight_url)是通過提供的.pth檔案的url位址來下載下傳指定的.pth檔案,在PyTorch中.pth檔案就是模型的參數檔案,如果你已經有合适的模型了且不想下載下傳,那麼可以通過torch.load(‘the/path/of/.pth’)導入,因為torch.utils.model_zoo.load_url方法最後傳回的時候也是用torch.load接口封裝成字典輸出。self.load_state_dict()則是将導入的模型參數指派到self中。是以不想下載下傳的話可以用checkpoint=torch.load(‘the/path/of/.pth’)和self.load_state_dict(checkpoint)兩行代替self.load_state_dict(torch.utils.model_zoo.load_url(weight_url))。
class BNInception(nn.Module):
def __init__(self, model_path='tf_model_zoo/bninception/bn_inception.yaml', num_classes=101,
weight_url='https://yjxiong.blob.core.windows.net/models/bn_inception-9f5701afb96c8044.pth'):
super(BNInception, self).__init__()
manifest = yaml.load(open(model_path))
layers = manifest['layers']
self._channel_dict = dict()
self._op_list = list()
for l in layers:
out_var, op, in_var = parse_expr(l['expr'])
if op != 'Concat':
id, out_name, module, out_channel, in_name = get_basic_layer(l,
3 if len(self._channel_dict) == 0 else self._channel_dict[in_var[0]],
conv_bias=True)
self._channel_dict[out_name] = out_channel
setattr(self, id, module)
self._op_list.append((id, op, out_name, in_name))
else:
self._op_list.append((id, op, out_var[0], in_var))
channel = sum([self._channel_dict[x] for x in in_var])
self._channel_dict[out_var[0]] = channel
self.load_state_dict(torch.utils.model_zoo.load_url(weight_url))
_prepare_tsn方法。feature_dim是網絡最後一層的輸入feature map的channel數。接下來如果有dropout層,那麼添加一個dropout層後連一個全連接配接層,否則就直接連一個全連接配接層。setattr是torch.nn.Module類的一個方法,用來為輸入的某個屬性指派,一般可以用來修改網絡結構,以setattr(self.base_model, self.base_model.last_layer_name, nn.Dropout(p=self.dropout))為例,輸入包含3個值,分别是基礎網絡,要指派的屬性名,要賦的值,一般而言setattr的用法都是這樣。是以當這個setattr語句運作結束後,self.base_model.last_layer_name這一層就是nn.Dropout(p=self.dropout)。
最後對全連接配接層的參數(weight)做一個0均值且指定标準差的初始化操作,參數(bias)初始化為0。getattr同樣是torch.nn.Module類的一個方法,與為屬性指派方法setattr相比,getattr是獲得屬性值,一般可以用來擷取網絡結構相關的資訊,以getattr(self.base_model, self.base_model.last_layer_name)為例,輸入包含2個值,分别是基礎網絡和要擷取值的屬性名。
def _prepare_tsn(self, num_class):
feature_dim = getattr(self.base_model, self.base_model.last_layer_name).in_features
if self.dropout == 0:
setattr(self.base_model, self.base_model.last_layer_name, nn.Linear(feature_dim, num_class))
self.new_fc = None
else:
setattr(self.base_model, self.base_model.last_layer_name, nn.Dropout(p=self.dropout))
self.new_fc = nn.Linear(feature_dim, num_class)
std = 0.001
if self.new_fc is None:
normal(getattr(self.base_model, self.base_model.last_layer_name).weight, 0, std)
constant(getattr(self.base_model, self.base_model.last_layer_name).bias, 0)
else:
normal(self.new_fc.weight, 0, std)
constant(self.new_fc.bias, 0)
return feature_dim
前面提到如果輸入不是RGB,那麼就要修改網絡結構,這裡以models.py腳本中TSN類的_construct_flow_model方法介紹對于optical flow類型的輸入需要修改哪些網絡結構。conv_layer是第一個卷積層的内容,params 包含weight和bias,kernel_size就是(64,3,7,7),因為對于optical flow的輸入,self.new_length設定為5,是以new_kernel_size是(63,10,7,7)。new_kernels是修改channel後的卷積核參數,主要是将原來的卷積核參數複制到新的卷積核。然後通過nn.Conv2d來重新建構卷積層。new_conv.weight.data = new_kernels是指派過程。
def _construct_flow_model(self, base_model):
# modify the convolution layers
# Torch models are usually defined in a hierarchical way.
# nn.modules.children() return all sub modules in a DFS manner
modules = list(self.base_model.modules())
first_conv_idx = list(filter(lambda x: isinstance(modules[x], nn.Conv2d), list(range(len(modules)))))[0]
conv_layer = modules[first_conv_idx]
container = modules[first_conv_idx - 1]
# modify parameters, assume the first blob contains the convolution kernels
params = [x.clone() for x in conv_layer.parameters()]
kernel_size = params[0].size()
new_kernel_size = kernel_size[:1] + (2 * self.new_length, ) + kernel_size[2:]
new_kernels = params[0].data.mean(dim=1, keepdim=True).expand(new_kernel_size).contiguous()
new_conv = nn.Conv2d(2 * self.new_length, conv_layer.out_channels,
conv_layer.kernel_size, conv_layer.stride, conv_layer.padding,
bias=True if len(params) == 2 else False)
new_conv.weight.data = new_kernels
if len(params) == 2:
new_conv.bias.data = params[1].data # add bias if neccessary
layer_name = list(container.state_dict().keys())[0][:-7] # remove .weight suffix to get the layer name
# replace the first convlution layer
setattr(container, layer_name, new_conv)
return base_model
接着main函數的思路,前面這幾行都是在TSN類中定義的變量或者方法,model = torch.nn.DataParallel(model, device_ids=args.gpus).cuda()是設定多GPU訓練模型。args.resume這個參數主要是用來設定是否從斷點處繼續訓練,比如原來訓練模型訓到一半停止了,希望繼續從儲存的最新epoch開始訓練,是以args.resume要麼是預設的None,要麼就是你儲存的模型檔案(.pth)的路徑。其中checkpoint = torch.load(args.resume)是用來導入已訓練好的模型。model.load_state_dict(checkpoint[‘state_dict’])是完成導入模型的參數初始化model這個網絡的過程,load_state_dict是torch.nn.Module類中重要的方法之一。
crop_size = model.crop_size
scale_size = model.scale_size
input_mean = model.input_mean
input_std = model.input_std
policies = model.get_optim_policies()
train_augmentation = model.get_augmentation()
model = torch.nn.DataParallel(model, device_ids=args.gpus).cuda()
if args.resume:
if os.path.isfile(args.resume):
print(("=> loading checkpoint '{}'".format(args.resume)))
checkpoint = torch.load(args.resume)
args.start_epoch = checkpoint['epoch']
best_prec1 = checkpoint['best_prec1']
model.load_state_dict(checkpoint['state_dict'])
print(("=> loaded checkpoint '{}' (epoch {})"
.format(args.evaluate, checkpoint['epoch'])))
else:
print(("=> no checkpoint found at '{}'".format(args.resume)))
cudnn.benchmark = True
介紹完第一部分模型導入後,接下來是main函數中的第二部分:資料導入。首先是自定義的TSNDataSet類用來處理最原始的資料,傳回的是torch.utils.data.Dataset類型,一般而言在PyTorch中自定義的資料讀取類都要繼承torch.utils.data.Dataset這個基類,比如此處的TSNDataSet類,然後通過重寫初始化函數__init__和__getitem__方法來讀取資料。torch.utils.data.Dataset類型的資料并不能作為模型的輸入,還要通過torch.utils.data.DataLoader類進一步封裝,這是因為資料讀取類TSNDataSet傳回兩個值,第一個值是Tensor類型的資料,第二個值是int型的标簽,而torch.utils.data.DataLoader類是将batch size個資料和标簽分别封裝成一個Tensor,進而組成一個長度為2的list。對于torch.utils.data.DataLoader類而言,最重要的輸入就是TSNDataSet類的初始化結果,其他如batch size和shuffle參數是常用的。通過這兩個類讀取和封裝資料,後續再轉為Variable就能作為模型的輸入了。
# Data loading code
if args.modality != 'RGBDiff':
normalize = GroupNormalize(input_mean, input_std)
else:
normalize = IdentityTransform()
if args.modality == 'RGB':
data_length = 1
elif args.modality in ['Flow', 'RGBDiff']:
data_length = 5
train_loader = torch.utils.data.DataLoader(
TSNDataSet("", args.train_list, num_segments=args.num_segments,
new_length=data_length,
modality=args.modality,
image_tmpl="img_{:05d}.jpg" if args.modality in ["RGB", "RGBDiff"] else args.flow_prefix+"{}_{:05d}.jpg",
transform=torchvision.transforms.Compose([
train_augmentation,
Stack(roll=args.arch == 'BNInception'),
ToTorchFormatTensor(div=args.arch != 'BNInception'),
normalize,
])),
batch_size=args.batch_size, shuffle=True,
num_workers=args.workers, pin_memory=True)
val_loader = torch.utils.data.DataLoader(
TSNDataSet("", args.val_list, num_segments=args.num_segments,
new_length=data_length,
modality=args.modality,
image_tmpl="img_{:05d}.jpg" if args.modality in ["RGB", "RGBDiff"] else args.flow_prefix+"{}_{:05d}.jpg",
random_shift=False,
transform=torchvision.transforms.Compose([
GroupScale(int(scale_size)),
GroupCenterCrop(crop_size),
Stack(roll=args.arch == 'BNInception'),
ToTorchFormatTensor(div=args.arch != 'BNInception'),
normalize,
])),
batch_size=args.batch_size, shuffle=False,
num_workers=args.workers, pin_memory=True)
自定義資料讀取相關類的時候需要繼承torch.utils.data.Dataset這個基類。在TSNDataSet類的初始化函數__init__中最重要的是self._parse_list(),也就是調用了該類的_parse_list()方法。在該方法中,self.list_file就是訓練或測試的清單檔案(.txt檔案),裡面包含三列内容,用空格鍵分隔,第一列是video名,第二列是video的幀數,第三列是video的标簽。VideoRecord這個類隻是提供了一些簡單的封裝,用來傳回關于資料的一些資訊(比如幀路徑、該視訊包含多少幀、幀标簽)。是以最後self.video_list的内容就是一個長度為訓練資料數量的清單,清單中的每個值都是VideoRecord對象,該對象包含一個清單和3個屬性,清單長度為3,分别是幀路徑、該視訊包含多少幀、幀标簽,同樣這三者也是三個屬性的值。
class TSNDataSet(data.Dataset):
def __init__(self, root_path, list_file,
num_segments=3, new_length=1, modality='RGB',
image_tmpl='img_{:05d}.jpg', transform=None,
force_grayscale=False, random_shift=True, test_mode=False):
self.root_path = root_path
self.list_file = list_file
self.num_segments = num_segments
self.new_length = new_length
self.modality = modality
self.image_tmpl = image_tmpl
self.transform = transform
self.random_shift = random_shift
self.test_mode = test_mode
if self.modality == 'RGBDiff':
self.new_length += 1# Diff needs one more image to calculate diff
self._parse_list()
def _parse_list(self):
self.video_list = [VideoRecord(x.strip().split(' ')) for x in open(self.list_file)]
介紹完第二部分資料讀取後,接下來就是main函數的第三部分:訓練模型。這裡包括定義損失函數、優化函數、一些超參數設定等,然後訓練模型并在指定epoch驗證和儲存模型。adjust_learning_rate(optimizer, epoch, args.lr_steps)是設定學習率變化政策,args.lr_steps是一個清單,裡面的值表示到達多少個epoch的時候要改變學習率,在adjust_learning_rate函數中,預設是修改學習率的時候修改成目前的0.1倍。train(train_loader, model, criterion, optimizer, epoch)就是訓練模型,輸入包含訓練資料、模型、損失函數、優化函數和要訓練多少個epoch。最後的if語句是當訓練epoch到達指定值的時候就進行一次模型驗證和模型儲存,args.eval_freq這個參數就是用來控制儲存的epoch值。prec1 = validate(val_loader, model, criterion, (epoch + 1) * len(train_loader))就是用訓練好的模型驗證測試資料集。最後的save_checkpoint函數就是儲存模型參數(model)和其他一些資訊,這裡我對源代碼做了修改,希望有助于了解,該函數中主要就是調用torch.save(mode, save_path)來儲存模型。模型訓練函數train和模型驗證函數validate函數是重點,後面詳細介紹。
# define loss function (criterion) and optimizer
if args.loss_type == 'nll':
criterion = torch.nn.CrossEntropyLoss().cuda()
else:
raise ValueError("Unknown loss type")
for group in policies:
print(('group: {} has {} params, lr_mult: {}, decay_mult: {}'.format(
group['name'], len(group['params']), group['lr_mult'], group['decay_mult'])))
optimizer = torch.optim.SGD(policies,
args.lr,
momentum=args.momentum,
weight_decay=args.weight_decay)
if args.evaluate:
validate(val_loader, model, criterion, 0)
return
for epoch in range(args.start_epoch, args.epochs):
adjust_learning_rate(optimizer, epoch, args.lr_steps)
# train for one epoch
train(train_loader, model, criterion, optimizer, epoch)
# evaluate on validation set
if (epoch + 1) % args.eval_freq == 0 or epoch == args.epochs - 1:
prec1 = validate(val_loader, model, criterion, (epoch + 1) * len(train_loader))
# remember best [email protected] and save checkpoint
is_best = prec1 > best_prec1
best_prec1 = max(prec1, best_prec1)
save_checkpoint(epoch=epoch + 1, arch=args.arch, state_dict=model, is_best=is_best)
def save_checkpoint(epoch, arch, model, is_best):
filename = os.path.join(args.snapshot_pref, '_'.join((args.modality.lower(), 'arch:{}', 'epoch:{}', 'checkpoint.pth')).format(arch, epoch))
torch.save(model, filename)
if is_best:
best_name = os.path.join(args.snapshot_pref, '_'.join((args.modality.lower(), 'arch:{}', 'epoch:{}', 'model_best.pth')).format(arch, epoch))
shutil.copyfile(filename, best_name)
train函數是模型訓練的入口。首先一些變量的更新采用自定義的AverageMeter類來管理,後面會介紹該類的定義。然後model.train()是設定為訓練模式。 for i, (input, target) in enumerate(train_loader) 是資料疊代讀取的循環函數,具體而言,當執行enumerate(train_loader)的時候,是先調用DataLoader類的__iter__方法,該方法裡面再調用DataLoaderIter類的初始化操作__init__。而當執行for循環操作時,調用DataLoaderIter類的__next__方法,在該方法中通過self.collate_fn接口讀取self.dataset資料時就會調用TSNDataSet類的__getitem__方法,進而完成資料的疊代讀取。讀取到資料後就将資料從Tensor轉換成Variable格式,然後執行模型的前向計算:output = model(input_var),得到的output就是batch size*class次元的Variable;損失函數計算: loss = criterion(output, target_var);準确率計算: prec1, prec5 = accuracy(output.data, target, topk=(1,5));模型參數更新等等。其中loss.backward()是損失回傳, optimizer.step()是模型參數更新。
def train(train_loader, model, criterion, optimizer, epoch):
batch_time = AverageMeter()
data_time = AverageMeter()
losses = AverageMeter()
top1 = AverageMeter()
top5 = AverageMeter()
if args.no_partialbn:
model.module.partialBN(False)
else:
model.module.partialBN(True)
# switch to train mode
model.train()
end = time.time()
for i, (input, target) in enumerate(train_loader):
# measure data loading time
data_time.update(time.time() - end)
target = target.cuda(async=True)
input_var = torch.autograd.Variable(input)
target_var = torch.autograd.Variable(target)
# compute output
output = model(input_var)
loss = criterion(output, target_var)
# measure accuracy and record loss
prec1, prec5 = accuracy(output.data, target, topk=(1,5))
losses.update(loss.data[0], input.size(0))
top1.update(prec1[0], input.size(0))
top5.update(prec5[0], input.size(0))
# compute gradient and do SGD step
optimizer.zero_grad()
loss.backward()
if args.clip_gradient is not None:
total_norm = clip_grad_norm(model.parameters(), args.clip_gradient)
if total_norm > args.clip_gradient:
print("clipping gradient: {} with coef {}".format(total_norm, args.clip_gradient / total_norm))
optimizer.step()
# measure elapsed time
batch_time.update(time.time() - end)
end = time.time()
if i % args.print_freq == 0:
print(('Epoch: [{0}][{1}/{2}], lr: {lr:.5f}\t'
'Time {batch_time.val:.3f} ({batch_time.avg:.3f})\t'
'Data {data_time.val:.3f} ({data_time.avg:.3f})\t'
'Loss {loss.val:.4f} ({loss.avg:.4f})\t'
'[email protected] {top1.val:.3f} ({top1.avg:.3f})\t'
'[email protected] {top5.val:.3f} ({top5.avg:.3f})'.format(
epoch, i, len(train_loader), batch_time=batch_time,
data_time=data_time, loss=losses, top1=top1, top5=top5, lr=optimizer.param_groups[-1]['lr'])))
前面提到在train函數中采用自定義的AverageMeter類來管理一些變量的更新。在初始化的時候就調用的重置方法reset。當調用該類對象的update方法的時候就會進行變量更新,當要讀取某個變量的時候,可以通過對象.屬性的方式來讀取,比如在train函數中的top1.val讀取top1準确率。
class AverageMeter(object):
"""Computes and stores the average and current value"""
def __init__(self):
self.reset()
def reset(self):
self.val = 0
self.avg = 0
self.sum = 0
self.count = 0
def update(self, val, n=1):
self.val = val
self.sum += val * n
self.count += n
self.avg = self.sum / self.count
前面提到在運作for i, (input, target) in enumerate(train_loader)的時候最終會調用TSNDataSet類的__getitem__方法,該方法就是用來傳回具體資料的。前面介紹過TSNDataSet類的初始化函數__init__,在那裡面都是一些初始化或定義操作,真正的資料讀取操作是在__getitem__方法中。在__getitem__方法中,record = self.video_list[index]得到的record就是一幀圖像的資訊,index是随機的,這個和前面資料讀取中的shuffle參數對應。在訓練的時候,self.test_mode是False,是以執行if語句,另外self.random_shift預設是True,是以最後執行的是segment_indices = self._sample_indices(record)。在測試的時候,會設定self.test_mode為True,這樣的話就會執行segment_indices = self._get_test_indices(record)。最後再通過get方法傳回。接下來分别介紹這三個方法。
def __getitem__(self, index):
record = self.video_list[index]
if not self.test_mode:
segment_indices = self._sample_indices(record) if self.random_shift else self._get_val_indices(record)
else:
segment_indices = self._get_test_indices(record)
return self.get(record, segment_indices)
在TSNDataSet類的_sample_indices方法中,average_duration表示某個視訊分成self.num_segments份的時候每一份包含多少幀圖像,是以隻要該視訊的總幀數大于等于self.num_segments,就會執行if average_duration > 0這個條件,在該條件語句下offsets的計算分成兩部分,np.multiply(list(range(self.num_segments)), average_duration)相當于确定了self.num_segments個片段的區間,randint(average_duration, size=self.num_segments)則是生成了self.num_segments個範圍在0到average_duration的數值,二者相加就相當于在這self.num_segments個片段中分别随機選擇了一幀圖像。是以在__getitem__方法中傳回的segment_indices就是一個長度為self.num_segments的清單,表示幀的index。
def _sample_indices(self, record):
"""
:param record: VideoRecord
:return: list
"""
average_duration = (record.num_frames - self.new_length + 1) // self.num_segments
if average_duration > 0:
offsets = np.multiply(list(range(self.num_segments)), average_duration) + randint(average_duration, size=self.num_segments)
elif record.num_frames > self.num_segments:
offsets = np.sort(randint(record.num_frames - self.new_length + 1, size=self.num_segments))
else:
offsets = np.zeros((self.num_segments,))
return offsets + 1
在TSNDataSet類的_get_test_indices方法中,就是将輸入video按照相等幀數距離分成self.num_segments份,最終傳回的offsets就是長度為self.num_segments的numpy array,表示從輸入video中取哪些幀作為模型的輸入。該方法是模型測試的時候才會調用。
def _get_test_indices(self, record):
tick = (record.num_frames - self.new_length + 1) / float(self.num_segments)
offsets = np.array([int(tick / 2.0 + tick * x) for x in range(self.num_segments)])
return offsets + 1
在TSNDataSet類的get方法中,先通過seg_imgs = self._load_image(record.path, p)來讀取圖像資料。_load_image方法中主要就是采用PIL庫的Image子產品來讀取圖像資料,該方法比較固定,一般作為目前類的一個方法比較合适,另外區分RGB和Flow資料讀取的原因主要是圖像名稱不同。對于RGB或RGBDiff資料,傳回的seg_imgs是一個長度為1的清單,對于Flow資料,傳回的seg_imgs是一個長度為2的清單,然後将讀取到的圖像資料合并到images這個清單中。另外對于RGB而言,self.new_length是1,這樣images的長度就是indices的長度;對于Flow而言,self.new_length是5,這樣images的長度就是indices的長度乘以(52)。process_data = self.transform(images)将list類型的images封裝成了Tensor,在訓練的時候:對于RGB輸入,這個Tensor的尺寸是(3self.num_segments,224,224),其中3表示3通道彩色;對于Flow輸入,這個Tensor的尺寸是(self.num_segments2self.new_length,224,224),其中第一維預設是30(325)。是以,最後get方法傳回的是一個Tensor的資料和一個int的标簽。
def get(self, record, indices):
images = list()
for seg_ind in indices:
p = int(seg_ind)
for i in range(self.new_length):
seg_imgs = self._load_image(record.path, p)
images.extend(seg_imgs)
if p < record.num_frames:
p += 1
process_data = self.transform(images)
return process_data, record.label
def _load_image(self, directory, idx):
if self.modality == 'RGB' or self.modality == 'RGBDiff':
return [Image.open(os.path.join(directory, self.image_tmpl.format(idx))).convert('RGB')]
elif self.modality == 'Flow':
x_img = Image.open(os.path.join(directory, self.image_tmpl.format('x', idx))).convert('L')
y_img = Image.open(os.path.join(directory, self.image_tmpl.format('y', idx))).convert('L')
return [x_img, y_img]
驗證函數validate基本上和訓練函數train類似,主要有幾個不同點。先是model.eval()将模型設定為evaluate mode,其次沒有optimizer.zero_grad()、loss.backward()、optimizer.step()等損失回傳或梯度更新操作。
def validate(val_loader, model, criterion, iter, logger=None):
batch_time = AverageMeter()
losses = AverageMeter()
top1 = AverageMeter()
top5 = AverageMeter()
# switch to evaluate mode
model.eval()
end = time.time()
for i, (input, target) in enumerate(val_loader):
target = target.cuda(async=True)
input_var = torch.autograd.Variable(input, volatile=True)
target_var = torch.autograd.Variable(target, volatile=True)
# compute output
output = model(input_var)
loss = criterion(output, target_var)
# measure accuracy and record loss
prec1, prec5 = accuracy(output.data, target, topk=(1,5))
losses.update(loss.data[0], input.size(0))
top1.update(prec1[0], input.size(0))
top5.update(prec5[0], input.size(0))
# measure elapsed time
batch_time.update(time.time() - end)
end = time.time()
if i % args.print_freq == 0:
print(('Test: [{0}/{1}]\t'
'Time {batch_time.val:.3f} ({batch_time.avg:.3f})\t'
'Loss {loss.val:.4f} ({loss.avg:.4f})\t'
'[email protected] {top1.val:.3f} ({top1.avg:.3f})\t'
'[email protected] {top5.val:.3f} ({top5.avg:.3f})'.format(
i, len(val_loader), batch_time=batch_time, loss=losses,
top1=top1, top5=top5)))
print(('Testing Results: [email protected] {top1.avg:.3f} [email protected] {top5.avg:.3f} Loss {loss.avg:.5f}'
.format(top1=top1, top5=top5, loss=losses)))
return top1.avg
準确率計算函數。輸入output是模型預測的結果,尺寸為batch sizenum class;target是真實标簽,長度為batch size。這二者都是Tensor類型,具體而言前者是Float Tensor,後者是Long Tensor。batch_size = target.size(0)是讀取batch size值。 _, pred = output.topk(maxk, 1, True, True)這裡調用了PyTorch中Tensor的topk方法,第一個輸入maxk表示你要計算的是top maxk的結果;第二個輸入1表示dim,即按行計算(dim=1);第三個輸入True完整的是largest=True,表示傳回的是top maxk個最大值;第四個輸入True完整的是sorted=True,表示傳回排序的結果,主要是因為後面要基于這個top maxk的結果計算top 1。target.view(1, -1).expand_as(pred)先将target的尺寸規範到1batch size,然後将次元擴充為pred相同的次元,也就是maxkbatch size,比如5batch size,然後調用eq方法計算兩個Tensor矩陣相同元素情況,得到的correct是同等次元的ByteTensor矩陣,1值表示相等,0值表示不相等。correct_k = correct[:k].view(-1).float().sum(0)通過k值來決定是計算top k的準确率,sum(0)表示按照dim 0次元計算和,最後都添加到res清單中并傳回。
def accuracy(output, target, topk=(1,)):
"""Computes the [email protected] for the specified values of k"""
maxk = max(topk)
batch_size = target.size(0)
_, pred = output.topk(maxk, 1, True, True)
pred = pred.t()
correct = pred.eq(target.view(1, -1).expand_as(pred))
res = []
for k in topk:
correct_k = correct[:k].view(-1).float().sum(0)
res.append(correct_k.mul_(100.0 / batch_size))
return res
作者:AI之路
來源:CSDN
原文:https://blog.csdn.net/u014380165/article/details/79058147
版權聲明:本文為部落客原創文章,轉載請附上博文連結!