【TensorFlow】 基于视频时序LSTM的行为动作识别

简介
本文基于LSTM来完成用户行为识别。数据集来源：https://archive.ics.uci.edu/ml/machine-learning-databases/00240/

此数据集一共有6种行为状态：

行走；
站立；
躺下；
坐下；
上楼；
下楼；
以上6种行为数据是通过传感器进行采集的。

.\data\UCI HAR Dataset\train\Inertial Signals

实现
本次实验实现的是6分类任务。

pip install -i https://pypi.douban.com/simple/ --trusted-host=pypi.douban.com/simple tensorflow==1.13.1

import tensorflow as tf
import numpy as np

# 

# 模型好坏主要由数据决定，数据决定模型上限，模型决定逼近这个上限，记录仪上的数据
def load_X(X_signals_paths):
    X_signals = []
 
    for signal_type_path in X_signals_paths:
        file = open(signal_type_path, 'r')
        X_signals.append(
            [np.array(serie, dtype=np.float32) for serie in
             [row.replace('  ', ' ').strip().split(' ') for row in file]])
        file.close()
 
    return np.transpose(np.array(X_signals), (1, 2, 0))
 
 
def load_y(y_path):
    file = open(y_path, 'r')
    y_ = np.array([elem for elem in [row.replace('  ', ' ').strip().split(' ') for row in file]], dtype=np.int32)
    file.close()
    return y_ - 1
 
 
class Config(object):
    def __init__(self, X_train, X_test):
        self.train_count = len(X_train)  # 训练记录
        self.test_data_count = len(X_test)
        self.n_steps = len(X_train[0])  # 步长，128步
 
        self.learning_rate = 0.0025
        self.lambda_loss_amount = 0.0015  # 正则化惩罚粒度
        self.training_epochs = 300
        self.batch_size = 1500
 
        self.n_inputs = len(X_train[0][0])  # 每个step收集9个，数据收集维度
        self.n_hidden = 32  # 隐层神经元个数