• 目录
• 模型名称
• • 模型架构
  • 数据集
  • 环境
  • 快速入门
  • 训练过程
  • • 训练
  • 评估
  • • 评估过程
    • 评估结果
  • 性能
  • • 训练性能
    • 评估性能
  • 随机情况说明
  • 参考模板
  • 贡献者
  • ModelZoo 主页

目录

模型名称

模型: ConvLSTM

论文链接: https://arxiv.org/pdf/1506.04214.pdf

简介:

​ 模型ConvLSTM作者通过实验**证明了ConvLSTM在获取时空关系上比LSTM有更好的效果。**ConvLSTM不仅可以预测天气，还能够解决其他时空序列的预测问题。比如视频分类，动作识别等。此次数据集为Moving MNIST

模型架构

数据集

训练数据集: The MNIST database of handwritten digits

验证精度数据集: Moving MNIST

下载数据集请通过目录下的脚本下载

source ./download.sh

环境

Environment(Ascend/GPU/CPU): GPU-GTX3090(24G)
Software Environment:
– MindSpore version : 1.7.0
– Python version : 3.8.13
– OS platform and distribution : Ubuntu 16.04
– CUDA version : 11.0

快速入门

训练命令:

python train.py --batch_size 24 -checkpoints 'checkpoint_66_0.000961.ckpt' -epochs 500

评估命令:

python eval.py --batch_size 24 -checkpoints 'checkpoint_66_0.000961.ckpt'

训练过程

训练过程采用MNIST手写数字数据库，其中有60,000个示例的训练集和10,000个示例的测验集。它是MNIST的子集。数字已被归一化并以固定大小的图像为中心。训练及测验过程中通过动态生成视频数据来进行训练。特别需要注意，训练过程中生成的数字数量为3，相较于评估中的2个数字更多。

训练

通过以下指令启动训练。保存的参数模型将存于当前目录save_model中

python train.py --batch_size 24 -checkpoints 'checkpoint_66_0.000961.ckpt' -epochs 500

评估

评估过程

评估过程采用Moving MNIST作为测试集。

评估结果

通过以下指令启动评估。

python eval.py --batch_size 24 -checkpoints 'checkpoint_66_0.000961.ckpt'

性能

训练性能

train_loss	valid_loss	SSIM	MAE	MSE
0.000976	0.000961	0.777687	221.285598	94.498799

评估性能

test_loss	SSIM	MAE	MSE
0.000638	0.833904	156.482312	62.759463

随机情况说明

载入权重模型后继续训练会有较大精度浮动

参考模板

ConvLSTM-PyTorch

贡献者

• 曾润佳 (广东工业大学)

ModelZoo 主页

请浏览官方主页。