昨天同门用了一天的时间帮我代码调通，再一次让我感觉到自己是个菜鸡，想想自己一个机器学习的代码都还没有好好看，所以未来的几天里痛定思痛，好好把手头里的这个代码调试一下，弄清楚每一句话都是干嘛的，都有什么意思。于是乎打算写篇文章也能记录一下自己的菜鸡之旅。

AL_Train.py

AllClassPath	路径赋值为全部数据集的路径
output__dir
weights_path	权重
model_path	模型保存路径

Create Full connected Model

1.选择模型

Sequential:Keras有两种类型的模型，顺序模型以及函数式模型。而其中顺序模型是单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。

2.构建网络层

model.add(Dense(512, input_dim=4096,kernel_initializer='glorot_normal',kernel_regularizer=l2(0.001),activation='relu'))
# 512是节点数，input_dim是输入维度，也就是一阶的长度，kernel_initializer权重初始化的方法，权重规范化函数 activated激活函数

dropout随机失活60%

AdaGrad：优化的梯度下降算法，将每一个参数的每一次迭代的梯度取平方累加后在开方。用全局学习率除以这个数，作为学习率的动态更新。因为每个参数在动态更新时肯定是不一样的。

model.compile()：用于配置训练方法时，告知训练时用的优化器，损失函数和准确率评测标准。

Load_dataset

listdir：返回一个列表，其中包含由path指定的目录中的条目名称。乱序

datetime.now()：获得当前时间

Load_dataset_Train_batch()

np.random.permutation()对数据随机排列

Abnor_list_iter = Abnor_list_iter[Num_abnormal-n_exp:]
#对列表进行切片，第一个参数为开始，第二个为结尾All_Video.append(line.strip())
#line.strip()去掉换行符

np.vstack()以行的形式堆叠列表形成新数组

All_Videos=[]with open(AbnormalPath+"anomaly.txt", 'r') as f1: #file contain path to anomaly video file.for line in f1:   All_Videos.append(line.strip())      #将视频文件名字存储为一个文档，然后读取每个名字，用strip（）函数去掉换行AllFeatures = []print("Loading Anomaly videos Features...")Video_count=-1for iv in Abnor_list_iter:        #随机挑选了30个异常视频Video_count=Video_count+1VideoPath = os.path.join(AbnormalPath, All_Videos[iv])f = open(VideoPath, "r")words = f.read().split()              #将预处理过的视频txt文件进行切割num_feat = len(words) / 4096          #输入模型通道为4096count = -1;VideoFeatues = []for feat in range(0, int(num_feat)):feat_row1 = np.float32(words[feat * 4096:feat * 4096 + 4096])  #每次读取4096个数据count = count + 1if count == 0:VideoFeatues = feat_row1if count > 0:VideoFeatues = np.vstack((VideoFeatues, feat_row1)) if Video_count == 0:AllFeatures = VideoFeatuesif Video_count > 0:AllFeatures = np.vstack((AllFeatures, VideoFeatues))    #将全部的异常视频的数据形成一个大的数组，一个维度为4096，另一个为32*30print("Abnormal Features loaded")All_Videos=[]with open(NormalPath+"normal.txt", 'r') as f1: #file contain path to normal video file.for line in f1:All_Videos.append(line.strip())print("Loading Normal videos...")for iv in Norm_list_iter:VideoPath = os.path.join(NormalPath, All_Videos[iv])f = open(VideoPath, "r")words = f.read().split()feat_row1 = np.array([])num_feat = len(words) /4096count = -1;VideoFeatues = []for feat in range(0, int(num_feat)):feat_row1 = np.float32(words[feat * 4096:feat * 4096 + 4096])count = count + 1if count == 0:VideoFeatues = feat_row1if count > 0:VideoFeatues = np.vstack((VideoFeatues, feat_row1))feat_row1 = []AllFeatures = np.vstack((AllFeatures, VideoFeatues))print("Features loaded")     #与异常数据处理相同，然后再将正常处理得到的数据一起加载到异常的后面形成一个4096*1920（960*2）的数组

    AllLabels = np.zeros(32*batchsize, dtype='uint8') #初始化一个1920的数组，用来存储标签th_loop1=n_exp*32      #前960为异常视频th_loop2=n_exp*32-1    #后960为正常视频for iv in range(0, 32*batchsize):if iv< th_loop1:AllLabels[iv] = int(0)     #异常视频标签为0if iv > th_loop2:AllLabels[iv] = int(1)     #正常视频标签为1

视频特征以及视频标签处理完成，函数参数为正常以及异常视频的路径，返回全部视频特征以及视频标签

train_on_batch

是Keras提供的api（函数等等）对一个mini-batch的数据进行更新。

 def train_on_batch(self, x, y,sample_weight=None,class_weight=None):
#参数X为模型输入，参数Y为标签，sample_weight为每个样本对应的权重，class_weight类别权重，主要用于类别不平衡

custom_objective（）自定义损失函数

1.flatten()将数组降为一维数据

2.T.stack()矩阵拼接函数，将两个或者多个拼接为一个数组

3.T.concatenate()将数据按行或按列拼在一起

C3D.py

preprocess_input()

get.file():从网上下载文件，参数分别为fname:下载后文件名，origin:下载的地址链接，cache_subdir:模型保存在哪个文件下。return返回值，返回文件的绝对地址

detect_test.py

os.path.basename():返回路径的最后一个文件名

cv2.VideoCapture(video_path)：读取目的地址的视频文件 ret, frame = cap.read()：ret返回是否成功获取帧，frame是捕获到的图像def get_video_clips(video_path):frames = get_video_frames(video_path)clips = sliding_window(frames, params.frame_count, params.frame_count)return clips, len(frames)def get_video_frames(video_path):cap = cv2.VideoCapture(video_path)frames = []while (cap.isOpened()):ret, frame = cap.read()if ret == True:frames.append(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))else:breakreturn frames将视频剪切成为帧，然后将图像转化为灰度图，在进行切片，将16张图片放在一个切片中用于提取特征

numpy.linspace()：在大间隔内，输出特定的小间隔的数据

numpy.ceil()：计算大于等于该值的最小整数

imresize()：改变图像的大小

到此项目基本上看完了

Summarize

有两个网络构成，一个是分类网络，一个是特征提取网络，其中特征提取网络的去权重已知。至于怎么用I3D代换，后续再来补。

记录自己的UCF—Crime代码debug相关推荐

java的时间变化_通过java记录数据持续变化时间代码解析
这篇文章主要介绍了通过java记录数据持续变化时间代码解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 1.需求:获取count为null和不为n ...
微信推文图片间距有缝的代码_使用记录接缝进行旧代码单元测试
微信推文图片间距有缝的代码在大多数情况下,使用遗留代码可能很困难. 但是,当涉及到添加新功能,重构或维护您不熟悉的代码时,它可能会变得势不可挡. 如果您已经使用敏捷技术几年了,并且突然间您面对大量的 ...
PRU代码debug
这两天由于工作关系又搞了一遍PRU代码debug.我的需求很简单,PRU操作外部寄存器,比如DCAN(地址0x4A0037D0),这个过程要可以debug. PRU的代码debug,我认为主要分两种 ...
刚才同意了一个JetBrains 反编译器对话框,然后代码debug 的时候就会出现许多这些黄色的底层结构, 有没有大神直到这个怎么取消呀
刚才同意了一个JetBrains 反编译器对话框,然后代码debug 的时候就会出现许多这些黄色的底层结构, 请问下这个怎么取消呀
mip-NeRF代码debug
代码:https://github.com/google/mipnerf 翻译解说:https://blog.csdn.net/qq_43620967/article/details/12445897 ...
记录一次自己调试代码的过程
今年年初我们做了一套防窃电的软件,其中通讯采取的是串口方式.前段时间,根据现场的反馈,我们增加了蓝牙通讯的功能.系统界面如下图所示: 今天,现场人员反馈说:"解析的数据出现问题", ...
记录两段经典标定代码
这两段是HALCON给出的分别标定内参和外参的代码,过程和OPENCV类似,但是标定外参更具有参考价值.记录一下 ImgPath := '3d_machine_vision/calib/' dev_c ...
idea 导出war包_使用IDEA实现远程代码DEBUG调试教程详解
我们在使用 IDEA DEBUG调试代码的时候,常常见到控制台会输出一句这样的话:「Connected to the target VM, address: '127.0.0.1:62981', tr ...
IIS W3C日志记录字段和HTTP状态代码的说明
一般情况下很多朋友都不在意IIS日志,有的是因为购买的虚拟主机不给提供,有的是提供了,但是还必须与服务器管理员联系才能得到.像新网的部分服务器ftp目录有这个文件,但是就是提示没权限查看也没有权限下载 ...
计算机用什么命令调取共享记录,只需一串代码命令就可以获取你的电脑所有的无线网历史连接记录？...
这个CMD可能是Windows 保留的跟Dos 系统最相似的一个功能了,黑色的界面通过敲代码来达到其设定的功能, 但是有多少人会用呢?其实如果你会使用,你会发现:它真的很强大! Windows 7 S ...

记录自己的UCF—Crime代码debug