fix - and _ mismatch, fix python3 bug in nonlocal codes

PaddleCV/video/README.md

@@ -38,18 +38,18 @@
 
 ``` bash
 export CUDA_VISIBLE_DEVICES=0
-python train.py --model-name=STNET
+python train.py --model_name=STNET
         --config=./configs/stnet.txt
-        --save-dir=checkpoints
+        --save_dir=checkpoints
 ```
 
 多卡训练：
 
 ``` bash
 export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
-python train.py --model-name=STNET
+python train.py --model_name=STNET
         --config=./configs/stnet.txt
-        --save-dir=checkpoints
+        --save_dir=checkpoints
 ```
 
 视频模型库同时提供了快速训练脚本，脚本位于`scripts/train`目录下，可通过如下命令启动训练:

PaddleCV/video/models/attention_cluster/README.md

@@ -32,11 +32,11 @@ Attention Cluster模型使用2nd-Youtube-8M数据集, 数据下载及准备请
 
 数据准备完毕后，可以通过如下两种方式启动训练：
 
-    python train.py --model-name=AttentionCluster 
+    python train.py --model_name=AttentionCluster
             --config=./configs/attention_cluster.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_attention_cluster.sh
 
@@ -56,9 +56,9 @@ Attention Cluster模型使用2nd-Youtube-8M数据集, 数据下载及准备请
 
 可通过如下两种方式进行模型评估:
 
-    python test.py --model-name=AttentionCluster 
+    python test.py --model_name=AttentionCluster
             --config=configs/attention_cluster.txt
-            --log-interval=1 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test_attention_cluster.sh
@@ -89,10 +89,10 @@ Attention Cluster模型使用2nd-Youtube-8M数据集, 数据下载及准备请
 
 可通过如下命令进行模型推断：
 
-    python infer.py --model-name=attention_cluster 
+    python infer.py --model_name=attention_cluster
             --config=configs/attention_cluster.txt
-            --log-interval=1 
-            --weights=$PATH_TO_WEIGHTS 
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
 - 模型推断结果存储于`AttentionCluster_infer_result`中，通过`pickle`格式存储。
@@ -102,4 +102,3 @@ Attention Cluster模型使用2nd-Youtube-8M数据集, 数据下载及准备请
 ## 参考论文
 
 - [Attention Clusters: Purely Attention Based Local Feature Integration for Video Classification](https://arxiv.org/abs/1711.09550), Xiang Long, Chuang Gan, Gerard de Melo, Jiajun Wu, Xiao Liu, Shilei Wen
-

PaddleCV/video/models/attention_lstm/README.md

@@ -26,11 +26,11 @@ AttentionLSTM模型使用2nd-Youtube-8M数据集，关于数据部分请参考[
 
 数据准备完毕后，可以通过如下两种方式启动训练：
 
-    python train.py --model-name=AttentionLSTM
+    python train.py --model_name=AttentionLSTM
             --config=./configs/attention_lstm.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_attention_lstm.sh
 
@@ -42,9 +42,9 @@ AttentionLSTM模型使用2nd-Youtube-8M数据集，关于数据部分请参考[
 ## 模型评估
 可通过如下两种方式进行模型评估:
 
-    python test.py --model-name=AttentionLSTM
+    python test.py --model_name=AttentionLSTM
             --config=configs/attention_lstm.txt
-            --log-interval=1
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test_attention_lstm.sh
@@ -75,10 +75,10 @@ AttentionLSTM模型使用2nd-Youtube-8M数据集，关于数据部分请参考[
 
 可通过如下命令进行模型推断：
 
-    python infer.py --model-name=attention_lstm
+    python infer.py --model_name=attention_lstm
             --config=configs/attention_lstm.txt
-            --log-interval=1 
-            --weights=$PATH_TO_WEIGHTS 
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
 - 模型推断结果存储于`AttentionLSTM_infer_result`中，通过`pickle`格式存储。
@@ -90,4 +90,3 @@ AttentionLSTM模型使用2nd-Youtube-8M数据集，关于数据部分请参考[
 - [Beyond Short Snippets: Deep Networks for Video Classification](https://arxiv.org/abs/1503.08909) Joe Yue-Hei Ng, Matthew Hausknecht, Sudheendra Vijayanarasimhan, Oriol Vinyals, Rajat Monga, George Toderici
 
 - [Attention Clusters: Purely Attention Based Local Feature Integration for Video Classification](https://arxiv.org/abs/1711.09550), Xiang Long, Chuang Gan, Gerard de Melo, Jiajun Wu, Xiao Liu, Shilei Wen
-

PaddleCV/video/models/nonlocal_model/README.md

@@ -88,11 +88,11 @@ Non-local模型的训练数据采用由DeepMind公布的Kinetics-400动作识别
 
 数据准备完毕后，可以通过如下两种方式启动训练：
 
-    python train.py --model-name=NONLOCAL
+    python train.py --model_name=NONLOCAL
             --config=./configs/nonlocal.txt
-            --save-dir=checkpoints
-            --log-interval=10
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_nonlocal.sh
 
@@ -113,9 +113,9 @@ Non-local模型的训练数据采用由DeepMind公布的Kinetics-400动作识别
 
 可通过如下两种方式进行模型评估:
 
-    python test.py --model-name=NONLOCAL
+    python test.py --model_name=NONLOCAL
             --config=configs/nonlocal.txt
-            --log-interval=1
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test_nonlocal.sh

PaddleCV/video/models/nonlocal_model/nonlocal_model.py

@@ -14,11 +14,10 @@
 
 import os
 import numpy as np
-import cPickle
 import paddle.fluid as fluid
 
 from ..model import ModelBase
-import resnet_video
+from . import resnet_video
 from .nonlocal_utils import load_params_from_file
 
 import logging

PaddleCV/video/models/nonlocal_model/resnet_helper.py

@@ -21,7 +21,7 @@ import paddle.fluid as fluid
 from paddle.fluid import ParamAttr
 
 import numpy as np
-import nonlocal_helper
+from . import nonlocal_helper
 
 
 def Conv3dAffine(blob_in,

PaddleCV/video/models/nonlocal_model/resnet_video.py

@@ -19,7 +19,7 @@ from __future__ import division
 import paddle.fluid as fluid
 from paddle.fluid.param_attr import ParamAttr
 
-import resnet_helper
+from . import resnet_helper
 import logging
 
 logger = logging.getLogger(__name__)

PaddleCV/video/models/stnet/README.md

@@ -30,11 +30,11 @@ StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集
 
 数据准备完毕后，可以通过如下两种方式启动训练：
 
-    python train.py --model-name=STNET
+    python train.py --model_name=STNET
             --config=./configs/stnet.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_stnet.sh
 
@@ -62,9 +62,9 @@ StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集
 
 可通过如下两种方式进行模型评估:
 
-    python test.py --model-name=STNET
+    python test.py --model_name=STNET
             --config=configs/stnet.txt
-            --log-interval=1 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test__stnet.sh
@@ -92,10 +92,10 @@ StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集
 
 可通过如下命令进行模型推断：
 
-    python infer.py --model-name=stnet
+    python infer.py --model_name=stnet
             --config=configs/stnet.txt
-            --log-interval=1 
-            --weights=$PATH_TO_WEIGHTS 
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
 - 模型推断结果存储于`STNET_infer_result`中，通过`pickle`格式存储。

PaddleCV/video/models/tsm/README.md

-# TSM 视频分类模型
-
----
-## 内容
-
-- [模型简介](#模型简介)
-- [数据准备](#数据准备)
-- [模型训练](#模型训练)
-- [模型评估](#模型评估)
-- [模型推断](#模型推断)
-- [参考论文](#参考论文)
-
-
-## 模型简介
-
-Temporal Shift Module是由MIT和IBM Watson AI Lab的Ji Lin，Chuang Gan等人提出的通过时间位移来提高网络视频理解能力的模块，其位移操作原理如下图所示。
-
-<p align="center">
-<img src="../../images/temporal_shift.png" height=250 width=800 hspace='10'/> <br />
-Temporal shift module
-</p>
-
-上图中矩阵表示特征图中的temporal和channel维度，通过将一部分的channel在temporal维度上向前位移一步，一部分的channel在temporal维度上向后位移一步，位移后的空缺补零。通过这种方式在特征图中引入temporal维度上的上下文交互，提高在时间维度上的视频理解能力。
-
-TSM模型是将Temporal Shift Module插入到ResNet网络中构建的视频分类模型，本模型库实现版本为以ResNet-50作为主干网络的TSM模型。
-
-详细内容请参考论文[Temporal Shift Module for Efficient Video Understanding](https://arxiv.org/abs/1811.08383v1)
-
-## 数据准备
-
-TSM的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。数据下载及准备请参考[数据说明](../../dataset/README.md)
-
-## 模型训练
-
-数据准备完毕后，可以通过如下两种方式启动训练：
-
-    python train.py --model-name=TSM
-            --config=./configs/tsm.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
-
-    bash scripts/train/train_tsm.sh
-
-- 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
-
-**数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，每条数据抽取`seg_num`段，每段抽取1帧图像，对每帧图像做随机增强后，缩放至`target_size`。
-
-**训练策略：**
-
-*  采用Momentum优化算法训练，momentum=0.9
-*  权重衰减系数为1e-4
-
-## 模型评估
-
-可通过如下两种方式进行模型评估:
-
-    python test.py --model-name=TSM
-            --config=configs/tsm.txt
-            --log-interval=1
-            --weights=$PATH_TO_WEIGHTS
-
-    bash scripts/test/test_tsm.sh
-
-- 使用`scripts/test/test_tsm.sh`进行评估时，需要修改脚本中的`--weights`参数指定需要评估的权重。
-
-- 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)进行评估
-
-当取如下参数时，在Kinetics400的validation数据集下评估精度如下:
-
-| seg\_num | target\_size | Top-1 |
-| :------: | :----------: | :----: |
-| 8 | 224 | 0.70 |
-
-## 模型推断
-
-可通过如下命令进行模型推断：
-
-    python infer.py --model-name=TSM
-            --config=configs/tsm.txt
-            --log-interval=1 
-            --weights=$PATH_TO_WEIGHTS 
-            --filelist=$FILELIST
-
-- 模型推断结果存储于`TSM_infer_result`中，通过`pickle`格式存储。
-
-- 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)进行推断
-
-## 参考论文
-
-- [Temporal Shift Module for Efficient Video Understanding](https://arxiv.org/abs/1811.08383v1), Ji Lin, Chuang Gan, Song Han
-
+# TSM 视频分类模型
+
+---
+## 内容
+
+- [模型简介](#模型简介)
+- [数据准备](#数据准备)
+- [模型训练](#模型训练)
+- [模型评估](#模型评估)
+- [模型推断](#模型推断)
+- [参考论文](#参考论文)
+
+
+## 模型简介
+
+Temporal Shift Module是由MIT和IBM Watson AI Lab的Ji Lin，Chuang Gan等人提出的通过时间位移来提高网络视频理解能力的模块，其位移操作原理如下图所示。
+
+<p align="center">
+<img src="../../images/temporal_shift.png" height=250 width=800 hspace='10'/> <br />
+Temporal shift module
+</p>
+
+上图中矩阵表示特征图中的temporal和channel维度，通过将一部分的channel在temporal维度上向前位移一步，一部分的channel在temporal维度上向后位移一步，位移后的空缺补零。通过这种方式在特征图中引入temporal维度上的上下文交互，提高在时间维度上的视频理解能力。
+
+TSM模型是将Temporal Shift Module插入到ResNet网络中构建的视频分类模型，本模型库实现版本为以ResNet-50作为主干网络的TSM模型。
+
+详细内容请参考论文[Temporal Shift Module for Efficient Video Understanding](https://arxiv.org/abs/1811.08383v1)
+
+## 数据准备
+
+TSM的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。数据下载及准备请参考[数据说明](../../dataset/README.md)
+
+## 模型训练
+
+数据准备完毕后，可以通过如下两种方式启动训练：
+
+    python train.py --model_name=TSM
+            --config=./configs/tsm.txt
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
+
+    bash scripts/train/train_tsm.sh
+
+- 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
+
+**数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，每条数据抽取`seg_num`段，每段抽取1帧图像，对每帧图像做随机增强后，缩放至`target_size`。
+
+**训练策略：**
+
+*  采用Momentum优化算法训练，momentum=0.9
+*  权重衰减系数为1e-4
+
+## 模型评估
+
+可通过如下两种方式进行模型评估:
+
+    python test.py --model_name=TSM
+            --config=configs/tsm.txt
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
+
+    bash scripts/test/test_tsm.sh
+
+- 使用`scripts/test/test_tsm.sh`进行评估时，需要修改脚本中的`--weights`参数指定需要评估的权重。
+
+- 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)进行评估
+
+当取如下参数时，在Kinetics400的validation数据集下评估精度如下:
+
+| seg\_num | target\_size | Top-1 |
+| :------: | :----------: | :----: |
+| 8 | 224 | 0.70 |
+
+## 模型推断
+
+可通过如下命令进行模型推断：
+
+    python infer.py --model_name=TSM
+            --config=configs/tsm.txt
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
+            --filelist=$FILELIST
+
+- 模型推断结果存储于`TSM_infer_result`中，通过`pickle`格式存储。
+
+- 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)进行推断
+
+## 参考论文
+
+- [Temporal Shift Module for Efficient Video Understanding](https://arxiv.org/abs/1811.08383v1), Ji Lin, Chuang Gan, Song Han

PaddleCV/video/models/tsn/README.md

@@ -25,11 +25,11 @@ TSN的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
 
 数据准备完毕后，可以通过如下两种方式启动训练：
 
-    python train.py --model-name=TSN
+    python train.py --model_name=TSN
             --config=./configs/tsn.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_tsn.sh
 
@@ -47,9 +47,9 @@ TSN的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
 
 可通过如下两种方式进行模型评估:
 
-    python test.py --model-name=TSN
+    python test.py --model_name=TSN
             --config=configs/tsn.txt
-            --log-interval=1
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test_tsn.sh
@@ -69,10 +69,10 @@ TSN的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
 
 可通过如下命令进行模型推断：
 
-    python infer.py --model-name=TSN
+    python infer.py --model_name=TSN
             --config=configs/tsn.txt
-            --log-interval=1 
-            --weights=$PATH_TO_WEIGHTS 
+            --log_interval=1
+            --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
 - 模型推断结果存储于`TSN_infer_result`中，通过`pickle`格式存储。