LRCN(1)

最新推荐文章于 2021-05-23 14:48:45 发布
最新推荐文章于 2021-05-23 14:48:45 发布
阅读量5.5k 收藏 19
点赞数 6
分类专栏： 代码复现
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013608336/article/details/77163727
版权

title: LRCN(1)
tag: 代码复现

这篇文章描述了如何复现《Long-term Recurrent Convolutional Networks for Visual Recognition and Description》这篇paper的动作识别的实验部分

这里是复现代码的指导原文链接
当然，重新复现别人的代码总会遇到各种各样的问题。我把他的代码使用过程翻译一遍，然后按照自己的复现过程整理各种各样的问题，供大家参考。

一、我的使用过程

１、从github上克隆整个仓库

打开命令行，输入

git clone https://github.com/LisaAnne/lisa-caffe-public.git

克隆完之后你会发现这个仓库跟caffe的文件夹结构一样，没错，这就是caffe,只不过是作者升级过的caffe,你会发现在example这个文件夹里多出了两个例子/LRCN_activity_recognition和LRCN_evaluate。当然还做了一些其他的修改，这就不细说了。所有关于action recognition的代码都在examples/LRCN_activity_recognition这个文件夹中。

２、重新编译caffe

我想大家已经编译过无数次caffe了，如果你已经安装过官网给的caffe，不用管它，这里还是要重新编译一遍。在重新编译之前，需要修改你的环境变量，即在~/.bashrc中把之前的PYTHON_PATH给注释掉，换成现在的这个文件夹路径
sudo gedit ~/.bashrc
比如我安装官网的caffe时加入了

＃　export PYTHONPATH=/home/lgy/software/caffe/python:$PYTHONPATH

现

最低0.47元/天 解锁文章
lgy_keira
关注
  • 6
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
专栏目录
联想thinkbook 16P gen4 IRH BIOS LRCN23WW
03-28
联想thinkbook 16P gen4 IRH BIOS LRCN23WW
生成式LSTM网络,Encoder-Decoder LSTM网络,CNN LSTM（LRCN）网络建模介绍——长短期记忆(LSTM)系列_LSTM的建模方法（1）
AI量化交易实验室
12-07 1万+
导读 文中介绍了三种LSTM的建模应用，分别是生成式LSTM网络，Encoder-Decoder LSTM网络，CNN LSTM（LRCN）网络。 大致介绍了一下每种网络的建模方法和应用场景，这里仅做了解即可 原文链接： 生成性长短期记忆网络 编码器 - 解码器长短期存储器网络 CNN LSTM网络 生成式长短期记忆网络的介绍 生成模型 LSTM可以用作生成模型。 给定大量序列数...
LR-CNN 核心代码
Rock_y的博客
10-15 1544
CNN-Based Chinese NER with Lexicon Rethinking 基于LR-CNN的中文命名实体识别 作者: Tao Guil , Ruotian Ma1等 单位:复旦大学、Video++ 发表会议及时间: IJCAI 2019 基于LR-CNN的中文命名实体识别模型结构 首先输入字符信息，经过CNN1，CNN2，和Bigram词信息用Attention进行融合，之后经过CNN3，和Trigram词信息进行融合，CNN4类似，最后输出最顶层Attention。这是属于一个模块，然
LRCN代码复现3
liudiudiu
08-14 3041
训练单帧RGB模型single frame model 是在hybrid model上finetune而来的 run_singleFrame_RGB.sh ,该脚本里面主要内容就是下面这句话 caffe train -solver singleFrame_solver_RGB.prototxt -weights caffe_imagenet_hyb2_wr_rc_solver_sqrt_ite
Long-term Recurrent Convolutional Networks forVisual Recognition and Description
杨的博客
08-02 1033
Long-term Recurrent Convolutional Networks forVisual Recognition and Description 一. Introduction二. Background:recurrent networks三. Long-term recurrent convolutional network(LRCN) model 一. Introduction...
LRCN (2)
liudiudiu
08-14 2777
classify_video.pyclassify_video.py will classify a video using (1) singleFrame RGB model (2) singleFrame flow model (3) 0.5/0.5 singleFrame RGB/singleFrame flow fusion (4) 0.33/0.67 singleFrame
联想thinkbook 16P gen4 IRH BIOS LRCN42WW
最新发布
03-28
联想thinkbook 16P gen4 IRH BIOS LRCN42WW
联想thinkbook 16P gen4 IRH BIOS LRCN41WW
03-28
联想thinkbook 16P gen4 IRH BIOS LRCN41WW
联想thinkbook 16P gen4 IRH BIOS LRCN40WW
03-28
联想thinkbook 16P gen4 IRH BIOS LRCN40WW
联想thinkbook 16P gen4 IRH BIOS LRCN37WW
03-28
联想thinkbook 16P gen4 IRH BIOS LRCN37WW
lstm原文_LRCN: LSTM与CNN相结合模型
weixin_39680154的博客
12-04 7924
今日阅读论文题目：Long-Term Recurrent Convolutional Networks for Visual Recognition and Description论文地址：https://arxiv.org/pdf/1411.4389.pdf代码地址：https://github.com/garythung/torch-lrcn这篇论文首次发布在2015年的IEEE会...
LRCN(5) sequence_input_layer.py
liudiudiu
08-17 2623
所涉及代码文件 sequence_input_layer.py（python层） train_test_lstm_RGB.prototxt(网络模型) LSTM网络输入的数据层为python层，通过阅读这个python文件我们可以了解caffe如何调用python层python里的类就是layer，类的名字就是layer的名字 首先我们来看输入层中截取的pyton参数
2017/12/26 LRCN搞了好久终于运行通了（分类测试）！
comliy123的专栏
12-26 4516
2017/12/26 LRCN搞了好久终于运行通了（分类测试）！记录下来 （win7,无GPU，caffe python） https://people.eecs.berkeley.edu/~lisa_anne/LRCN_video有关于ＬＲＣＮ下载与运行的全部说明，其中文翻译附在后面。（虽然很简单，但是，还是觉得汉语更容易看懂） 只要照它的步骤做就可以了。但是，我搞了很久，出现了一些问题。
Long-term Recurrent Convolutional Networks for Visual Recognition and Description
松鼠
10-11 1608
基于深度卷积网络的模型主导了最近的图像解释任务。我们调查了也经常使用的模型是否对涉及序列，视觉和其他方面的任务有效。我们描述了一类递归卷积体系结构，它是端到端可训练的并且适合于大规模的视觉理解任务，并展示了这些模型对于活动识别，图像字幕和视频描述的价值。与先前的模型假定固定的视觉表示或对顺序处理执行简单的时间平均相比，循环卷积模型“加倍深入”，因为它们学习时空的构图表示。当非线性被合并到网络状态更新中时，学习长期依赖性是可能的。可区分的递归模型之所以吸引人，是因为它们可以将可变长度的输入（例如视频）直接映射
行为识别TSM训练ucf101数据集
小菜的博客
02-07 8018
序言 最近有个行为检测的需求，打算用行为识别做，纯小白入这个方向，啃了两周的TSM原理和源码，训练好自己的数据集后，发现好像没法应用到自己的需求场景？？玛德！算了，还是要记录一下。原理就没别要讲了，网上很多，感兴趣的可以自己去搜。 一、数据准备 首先把代码git下来temporal-shift-module，然后作者提供了一个mobilenetv2版本的手势识别在线demo，使用了tvm推理，在Jeston Nano能够达到实时，看着还不错的样子，赶紧试一下，可是我没有nano怎么办？没关系，修改一下。
视频数据集UCF101的处理与加载（用PyTorch实现）
genous110的博客
02-02 7956
一 写在前面 未经允许，不得转载，谢谢~ 之前写了一篇没有使用任何深度学习框架来处理视频数据集的文章：视频数据集UCF101的处理与加载（未使用深度学习框架） 上面的处理方法简单粗暴，但仍有很多可以优化的空间，这两天又学习了一下PyTorch对于数据集加载的支持：PyTorch入门学习（七）：数据加载与处理 之前说过要用PyTorch的方法重新实现一遍对于UCF101的处理，所以在这里做个记录。这...
UCF101动作识别数据集简介绍及数据预处理
热门推荐
无名的小菜鸡
05-23 2万+
文章目录一、数据集简介：二、数据集获取及解压缩：1. 数据下载2. 数据集解压缩：三、数据集划分四、数据集预处理1. 生成pkl文件2. 直接对视频文件处理 一、数据集简介： UCF101是一个现实动作视频的动作识别数据集，收集自YouTube，提供了来自101个动作类别的13320个视频。官方网站：https://www.crcv.ucf.edu/research/data-sets/ucf101/ 数据集名称：UCF-101（2012） 总视频数：13,320个视频 总时长：27个小时 视频来源：Yo
LRCN_activity_recognition
bojackhosreman的博客
05-12 8882
http://www.eecs.berkeley.edu/~lisa_anne/LRCN_video作者用的是caffe。。Steps to retrain the LRCN activity recognition models: Extract RGB frames: The script “extract_frames.sh” will convert UCF-101 .avi files t
用于视频回归任务的长期循环卷积网络
deephub
12-08 3856
基本概念 通过深度学习进行视频处理是一个非常复杂的领域，因为它需要处理空间和时间两个方面。 为了总结现代比较流行的方法是什么，在这篇文章中我们将对视频回归任务的深度学习方法进行一些研究。 处理视频意味着处理图像，所以这里需要cnn。但是，有不同的方法来处理时态组件。我试着概括出主要的几点: 现有的方法 1、只使用CNN的回归 斯坦福大学的一篇非常有趣的论文(http://vision.stanford.edu/pdf/karpathy14.pdf)讨论了视频分类任务中可能遇到的挑战，并提供了处理这些挑战的.
帮我写一段代码，要求用长短期记忆神经网络构建电涌保护器的身体寿命预测，用混沌映射的粒子群算法去优化这个神经网络
05-09
好的，以下是一份可能的代码实现（仅供参考）： ```python import numpy as np import tensorflow as tf from sklearn.preprocessing import MinMaxScaler from pyswarm import pso from lrcn import LRCN # LRCN是自己实现的LSTM+CNN模型 # 读取数据 data = np.loadtxt('data.txt', delimiter=',') X = data[:, :-1] y = data[:, -1] # 归一化 scaler = MinMaxScaler() X_scaled = scaler.fit_transform(X) # 划分数据集 split_ratio = 0.8 split_index = int(split_ratio * len(X)) X_train, X_test = X_scaled[:split_index], X_scaled[split_index:] y_train, y_test = y[:split_index], y[split_index:] # 定义LSTM+CNN模型 model = LRCN(input_shape=(X.shape[1], 1)) model.compile(optimizer='adam', loss='mse') # 定义适应度函数 def fitness_function(params, X_train, y_train, X_test, y_test): # 解压参数 learning_rate, batch_size, num_epochs = params # 构建模型 model = LRCN(input_shape=(X_train.shape[1], 1)) optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate) model.compile(optimizer=optimizer, loss='mse') # 训练模型 model.fit(X_train, y_train, batch_size=batch_size, epochs=num_epochs) # 在测试集上计算预测误差 y_pred = model.predict(X_test) mse = np.mean((y_test - y_pred)**2) return mse # 定义参数空间 lb = [0.0001, 10, 10] # 最小学习率，最小批大小，最小迭代次数 ub = [0.01, 100, 100] # 最大学习率，最大批大小，最大迭代次数 # 使用粒子群算法寻找最优超参数 best_mse, best_params = pso(fitness_function, lb, ub, args=(X_train.reshape(-1, X_train.shape[1], 1), y_train, X_test.reshape(-1, X_test.shape[1], 1), y_test), swarmsize=10, maxiter=100) # 输出最优超参数 print("Best MSE:", best_mse) print("Best Params:", best_params) # 用最优超参数训练模型并预测身体寿命 learning_rate, batch_size, num_epochs = best_params optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate) model.compile(optimizer=optimizer, loss='mse') model.fit(X_scaled.reshape(-1, X.shape[1], 1), y, batch_size=batch_size, epochs=num_epochs) predicted_lifetimes = model.predict(X_scaled.reshape(-1, X.shape[1], 1)) ``` 其中，`data.txt`是包含电涌保护器数据的文本文件，每行是一个样本，最后一列是对应的身体寿命。`LRCN`是自己实现的LSTM+CNN模型，可以根据具体需求进行修改。`fitness_function`是适应度函数，用于计算在给定超参数下模型在测试集上的预测误差。`pso`是使用粒子群算法搜索最优超参数的函数，其中`swarmsize`和`maxiter`是粒子群算法的超参数，可以根据具体需求进行修改。最后，使用最优超参数训练模型并预测身体寿命。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值