目录
一、简介
如何用神经网络把视频中的时序特征提取出来？比如说某个物体的摆动的频率；或者出现的时间长短；亦或是更高级的信息。
这篇文章就是把卷积网络ResNet和记忆性网络LSTM结合在了一起，实现了对视频段中的信息识别。方法来源于一篇国外论文[1]，但我相信这种应用肯定很多很多人已经做过了。卷积网络提取特征，LSTM负责记忆。如果直接把整个视频所有像素点放到网络里，实现不了长期记忆；如果一张张图片放到LSTM中，数据量又太大，而且冗余信息显然很多，训练很难。因此先使用卷积网络提取图形的“特征”，就达到了降维的效果。目前完整的代码比较少，我写这篇文章的目的就是分享一下代码，帮助大家使用神经网络来完成一些简单的小任务。
背后的原理十分简单，分两步:
1.卷积网络提取特征
本文使用的是Pytorch上预训练过的ResNet18，其实任何一个训练过的卷积网络应该都可以。卷积网络通过对单帧图片进行卷积和池化运算，得到了"特征"(features)，实际上就是把图片的图形特征转化成了浓缩过的数据，体现在长宽减少但深度增加上，最后加上全连接层，实现分类。
预训练过的ResNet18能在ImageNet数据集上很好的分类，所以自然就可以确定其中的“特征”是有效的。我们把最后的全连接层去掉，就得到了“特征”。
2.LSTM实现记忆
LSTM作为RNN的进化版，长短期记忆都能够胜任，也就是说能从一段序列中提取信息。最简单的应用就是从01序列中获取0的个数(编程很简单，但如何让计算机自己学习到呢)，复杂点的有北京PM2.5预测。可以先从这些简单的开始学习，我就不从原理开始讲了。
二、背景
提取视频中的时序信息需要一个例子，我的例子是：获得视频中物体的摆动频率。传统方法可能robustness比较差，一有噪音或者偏差就识别错了。但是神经网络可以实现对多个因素的考量。以下是场景展示：
这个是我自己写的C#窗口程序，只是用来测试算法的正确性的。可以选择方框摆动的频率，四点的坐标都加了一定程度的随机偏移。生成数据后即按照帧率和帧数生成了一堆图片，并把真实的(GroundTruth)频率保存在label.txt中。
那么问题就是：从视频(时间连续的许多图片)中推测生成时的频率。人眼只能看到大致的快慢，而不能很精确，这也是神经网络的优点之一了。
三、配置
1.样本信息
帧率15，帧数30，也就是一个样本有30张图片，每张图片生成时就是224大小，如果实际应用的话再加缩放切割就好。附带一个label.txt。文件夹结构：所有样本母文件夹\\样本文件夹\\30张图片和txt。
.\\sample\\2019-8-29-22-36-2\\label.txt
.\\sample\\2019-8-29-22-36-2\\o (1).jpg
……
.\\sample\\2019-8-29-22-36-2\\o (30).jpg
2.网络架构
卷积使用ResNet18的一部分，具体中间的架构不重要，总之输入是(3,224,224)(通道数、长、宽)，层层卷积池化后 (去掉全连接) 的输出是(512,7,7)。明显看到通道数增加，长宽减小。根据论文[1]，最后再加一层max pooling，变成(512,3,3)。作用是减少由于relu输出的0的个数，进一步压缩，我觉得这步没有也许也可以？
卷积完了，把通道铺平，变成3x3x512=4608的一维张量。样本中30张按顺序放好，并且加上批次，变成(batch,30,4608)。放到LSTM (hidden units=100,layers=2) 中运算，获得(batch,30,100)。LSTM实际上每一刻都有输出，但我们只要最终的推测，也就是看完所有图片后LSTM的输出,因此取出30个中的最后一个(batch,100)。
由于输出是频率大小，是标量，因此增加一个线性映射层Linear(100->1)，获得(batch,1)
总之流程是这样的(b的意思是batch)：
四、代码
https://github.com/luoye2333/ResNetLSTM
目前master分支是没有详细注释的，在Notes分支下有许多详细注释，但是代码已经落后了。切换分支我就不厌其烦的加张图片
五、部分代码解释
虽然注释比较完整，但是我还是讲讲一些关键点
1.关于Pytorch的ResNet18
我本来是只会TensorFlow的，但是TF预训练好像只有ResNet50以上的，因此就用了Pytorch。用完之后发现体验异常的好，即时运算。
如何实现去掉全连接层，我当时搜csdn(pytorch去掉某些层/获取中间某一层输出)：一种用勾子，一种是再重新前向传播一遍。想了想还是后一种好，没有冗余计算，下面就是从我的代码ResNetLSTM.py，Line129截取的
ndata=torch.zeros(sampleNum,frames,4608)
with torch.no_grad():
for i in range(sampleNum):
input=data[i]
x=n.conv1(input)
x=n.bn1(x)
x=n.relu(x)
x=n.maxpool(x)
x=n.layer1(x)
x=n.layer2(x)
x=n.layer3(x)
x=n.layer4(x)
x=pool(x)
x=x.flatten(start_dim=1)
ndata[i]=x
注意这句话 with torch.no_grad():
作用是取消了resnet18的梯度计算，因为我们的卷积网络相当于只是预处理，在ImageNet上已经训练的十分好了，不用再训练。如果不写这句就会内存占用爆炸
2.定义RMSE
Pytorch原本是只有MSE(mean squared error)的，这种误差平方过，不直观。添加一个开根操作保证和原来的数据是一个量级。
#line32
self.criteria=torch.nn.MSELoss()
#line201
loss=torch.sqrt(self.criteria(pred,y))
loss.backward()
self.opt.step()
3.保存读取多个网络的参数
既要保存LSTM的参数，又要保存Linear层的参数，怎么办？
保存：
把各个网络的参数用state_dict()拿出来，一起放到一个字典中
torch.save(dict,savePath)
读取：
dict=torch.load(savePath)
按照key从字典中分别读取，key和保存时的对应就行，可以自定义
#line220
state = {'net1':self.LSTM.state_dict(),
'net2':self.Linear.state_dict(),
'optimizer':self.opt.state_dict()}
saveName='{}.pth'.format(datetime.now().strftime('%Y-%m-%d-%H-%M-%S'))
torch.save(state,savedir+saveName)
#line261
def load(self,saveName):
'''
载入存档:当前路径\\save\\saveName
'''
savedir=os.path.dirname(__file__)+os.sep+'save'
savePath=savedir+os.sep+saveName
checkpoint = torch.load(savePath)
self.LSTM.load_state_dict(checkpoint['net1'])
self.Linear.load_state_dict(checkpoint['net2'])
self.opt.load_state_dict(checkpoint['optimizer'])
六、部署训练
目前写的代码还是cpu版本，没有用gpu运算，后期也许会改，但是因为这个应用目前规模不大，所以不是很必要。
但是cpu计算如果使用笔记本还是有点吃力的，我就尝试了一下在服务器上训练。结论是部署用了一个多小时，训练用了一个多小时，很快就收敛了。因为本身这个数据集噪音少，比较简单。花费不超过5￥
我使用的是腾讯云上的计算型，随便挑了个1￥/小时的
1.连接服务器
怎么购买我就不一步一步细说了：按量计费；镜像centos就可以；网络按使用流量，带宽拉满(反正1和100价格是一样的)；免费送公网ip(用来连接服务器的)；登录方式设置好密码记下来。
开通之后在控制台里打开就是这样的，把公网ip复制下来
打开一个ssh连接服务器的软件，我用的是xshell，这方面我也是新手一个。新建一个会话或者临时连接也可以。协议是ssh，主机就是公网ip，端口号22(专门用来ssh的端口，不要填别的)。后面弹出一个密钥警告什么的，一次性接受，因为公网ip我们把服务器换了就改了。用户名root，登录方式Password，密码就是开通的时候设置的密码。
连接成功就是会出来linux的命令行，按回车有反应就行了
2.样本/文件上传
需要把本地的样本传到服务器上才能读取训练。我用的软件是FileZilla
新建一个站点，协议是SFTP，和刚刚xshell差不多，略过
把源文件ResNetLSTM.py上传
save文件夹是之前训练的模型，无所谓
sample文件夹是放样本，注意文件名要和代码里对应
3.部署python3和其他环境
开通的服务器默认只有python2，代码则是python3，同时也需要安装pytorch这些库，所以需要部署一下。下面的是我自己从网上搜来的，仅供参考，如果哪里有问题你们自己百度一下服务器安装python3就可以了。
首先，安装python3之前需要安装一些环境(因为linux上python是编译安装的，和windows上不太一样)，总之一股脑把下面所有的命令右键粘帖到xshell里就可以安装了，ctrl+V粘帖不了。复制的不好可能会把最后一句的回车漏掉，自己按下。
yum -y install libffi-devel
yum -y install zlib zlib-devel
yum -y install bzip2 bzip2-devel
yum -y install ncurses ncurses-devel
yum -y install readline readline-devel
yum -y install openssl openssl-devel
yum -y install openssl-static
yum -y install xz lzma xz-devel
yum -y install sqlite sqlite-devel
yum -y install gdbm gdbm-devel
yum -y install tk tk-devel
yum -y install libSM-1.2.2-2.el7.x86_64 --setopt=protected_multilib=false
yum -y install libXext
第二步，安装python3。建议在windows上从官网下载linux的安装包然后上传到服务器上。(也可以直接命令行安装，我也忘了当时为什么要这样做)
https://www.python.org/downloads/source/
然后把它用filezilla上传到服务器上，下面的命令可能会因为版本问题名字不太一样，自己注意下。
(解压刚刚上传的压缩包) tar -xvf (按tab键自动补全)
(进入解压出来的文件夹) cd Py(tab补全)
(配置一下) ./configure --prefix=/usr/local/Python3.7.4(这里版本号自己改，其实就是安装路径)
(编译然后安装) make&&make install
运行完了应该会有
在/usr/local文件夹下应该会有Python3.7.4这个文件夹，和configure命令执行的一样
第三步，配置环境变量
(添加软连接什么的)
ln -s /usr/local/Python3.7.4/bin/python3 /usr/bin/python3
这步非常重要，作用就是输入python3命令可以直接运行/usr/local/Python3.7.4/bin/python3的程序
(用vim打开某个厉害的文件)
vim ~/.bash_profile
在最后添加(按i进入插入模式，然后移到最后一行，按end，按回车，右键粘帖)
export PYTHON_HOME=/usr/local/Python3.7.4
export PATH=$PYTHON_HOME/bin:$PATH
保存退出(按esc，直接输入:wq，然后回车)
(使修改过的文件生效)
source ~/.bash_profile
python3就安装好了，输入python3看能不能进命令行
如果不行，报错no such file or directory 检查软链接的前面一个路径对不对，大小写啊啥的
再次创建的时候报错failed to create symbolic link ‘/usr/bin/python3’: File exists
说明之前错的还在，
rm /usr/bin/python3
rm: remove symbolic link ‘/usr/bin/python3’? y
注意输入yes/y
第四步，安装python库pytorch和opencv，使用了清华的镜像，下载快一点
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision opencv-python
如果报错-bash: pip3: command not found，说明vim修改~/.bash_profile那步有错，注意路径
第五步，下载ResNet18预训练模型
在python3命令行下
import torchvision as tv
n=tv.models.resnet18(pretrained=True)
输完就可以看到下载开始，完成以后就可以按windows上的步骤训练了。具体使用方法在文件ResNetLSTM.py中最后有写
七、感想
我做这个的时候，一点头绪都没有，每一步都是我摸索出来的，参考了许多其他人的代码、博客。论文里面写了用的是Matlab，可我终究是接受不了。一开始也不知道Pytorch，只知道TensorFlow，看了tf.slim一头雾水。
首先，一定要沉下心来，不能遇到难题就怕，不敢解决；遇到难懂的东西，要一点一点去理解。
第二，如果有一个老师在旁边指导，帮你走入门槛，效率要高不知道多少，所以希望这篇文章能帮到大家吧。
有问题可以在评论区问，我会慢慢修改初稿。欢迎大家在我的代码的基础上开发一些有意思的应用~~。写完所有的代码，大概用了两个星期？我觉得效率太低了，实在比不上日码10k的那些人，可能是我花了太多时间看bilibili了吧= =。过几天我会再写一篇用卷积网络识别实现自动玩扫雷游戏的文章。
[1] JenniferL.Cardona, MichaelF.Howland, JohnO.Dabiri.
Seeing the Wind: Visual Wind Speed Prediction with a Coupled Convolutional and Recurrent Neural Network
See more details at:https://arxiv.org/abs/1905.13290?context=cs.LG
927
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
