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
@@ -89,9 +89,9 @@ 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 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
@@ -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
@@ -75,9 +75,9 @@ 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 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
@@ -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
@@ -92,9 +92,9 @@ 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 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 

PaddleCV/video/models/tsm/README.md

@@ -34,11 +34,11 @@ TSM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=TSM
+    python train.py --model_name=TSM
             --config=./configs/tsm.txt
-            --save-dir=checkpoints 
-            --log-interval=10 
-            --valid-interval=1
+            --save_dir=checkpoints
+            --log_interval=10
+            --valid_interval=1
 
     bash scripts/train/train_tsm.sh
 
@@ -55,9 +55,9 @@ TSM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=TSM
+    python test.py --model_name=TSM
             --config=configs/tsm.txt
-            --log-interval=1
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
 
     bash scripts/test/test_tsm.sh
@@ -76,9 +76,9 @@ TSM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=TSM
+    python infer.py --model_name=TSM
             --config=configs/tsm.txt
-            --log-interval=1 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST
 
@@ -89,4 +89,3 @@ TSM的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
 ## 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
@@ -69,9 +69,9 @@ 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 
+            --log_interval=1
             --weights=$PATH_TO_WEIGHTS
             --filelist=$FILELIST