目录
一、Colab简介和使用说明
1.Colab简介
colab是谷歌的一个线上深度学习训练平台，对于刚进实验室还没分配到工作站的研究生非常之友好。但是分配到工作站以后，不管是算力还是金钱还是方便程度，还是工作站香。
网址： https://colab.research.google.com/?utm_source=scs-index.
2.Colab使用说明
进去网页以后可以新建一个google colaboratory，可以把这个新建的页面当做jupyter+linux终端使用，里面既可以敲python，又可以加!敲linux命令。
2.1两种使用方式
2.1.1连接谷歌云盘
第一种方式是把.ipynb文件连接到谷歌云盘。
优点：所有下载、更改以及产生的数据都会同步到谷歌云盘并且保存，
缺点：假如处理大数据集的时候，时间占用最多的不是训练过程，而是数据的IO读写过程（反正就是云端与.ipynb之间的数据读写贼慢）；而且谷歌云盘的空间也只有十几个G，处理不了大数据集。
使用方法：要使用这种方法就只需要在最开始加以下命令并运行，点击运行产生后的网址登录自己的谷歌账号就ok了。
建议：复现模型的时候使用，把数据集删减一些，这样可以保存代码调试数据和运行结果，方便理解。
2.1.2不连接谷歌云盘
第二种是不连谷歌云盘，直接在分配的在线的存储空间上跑。
优点：好处是快的一批，而且在线分配的存储空间也挺大，好像不开pro也有200G左右。
缺点：一段时间没有代码运行就会自动断开与谷歌服务器的连接，就得一切从头开始。
使用方法：直接不用输上图的代码，直接用就可以。
建议：在跑正儿八经的大模型的全数据集的时候使用，这样训练能快点儿。
2.2具体使用细节
2.2.1GPU设置
在新建的colaboratory页面点击修改，里面有个笔记本设置，点进去选择GPU，点保存，等待右上角分配GPU即可。（google白嫖的算力貌似还不如1080，tb上可以买pro，一个月75RMB）
注意，一定要先分配GPU再进行后面操作，不然等你把数据集啥的都弄完了再分配，你就发现你得再重新再搞一次
2.2.2程序管理
点击代码执行程序选项，里面有个管理会话，可以管理你打开的所有colaborabory（其实没太有必要，每一个文件都分配独立的在线空间）。
2.2.3具体编程
如一开始所说，可以把colaborabory当成jupyter+linux后端。
编python的时候和jupyter的使用方法一样，唯一比较不爽的地方是快捷键太麻烦，对在上面编python其实没那么友好，所以我一般都是在pycharm上改好代码，直接上传。假如没脸谷歌云盘的话，也可以在git下来以后，直接点击最左边小文件夹图表，双击对应py文件，直接笔记本改。
linux指令照常使用，就是要在前面加个感叹号，这里就不再赘述。
二、TSN代码复现
1.数据集准备和处理
1.1数据集下载
复现用的UCF101数据集
下载地址： https://www.crcv.ucf.edu/research/data-sets/ucf101/
要下里面的两个东西，一个是数据集本身Data Set，另一个要下数据集分割依据，也就是Action Detection
1.2数据集处理
1.2.1数据上传
数据集下载完成后，开始数据处理，首先在谷歌云盘建立TSN文件夹，然后git数据处理要用的mmaction代码和训练要用的tsn代码
然后再mmaction的data文件夹下创建ucf101文件夹，再在ucf101文件夹下创建annotations、rawframes、videos文件夹。
annotations：存放刚才下载的分割依据
rawframes：存放视频提帧后的帧
videos：存放刚才下载的原始ucf101数据（我只放了前三个动作，Archery、ApplyLipstick、ApplyEyeMakeup）
annotations和videos里面的内容需要自己手动上传进去
1.2.2提帧
进入mmaction/data_tools/目录下，安装mmcv
然后运行bulid_rawframes.py，对视频进行提帧，结果放在rawframes文件夹里
运行结束后，可以在谷歌硬盘上找到对应文件夹打开看看，里面就是一帧一帧的照片
1.2.3生成file_list
先切到mmaction目录下，安装mmaction缺少的相关文件（不知道啥情况，换了源也缺，反正补上就ok了）
然后，再切到data_tools/ucf101/文件夹下，生成分割文件file_list
生成后的文件在ucf101下，如下图所示。
2.训练模型
2.1修改对应代码
2.1.1修改main
main.py里面ucf的num_class是101，这里只用了三个，改成3
把main里面的TSNDataSet类引用的路径都改成绝对路径。
把预测的accuracy函数，因为只有三个类，没有top5只有top3，把参数改为3，train和validate都改
2.1.2修改dataset
在dataset.py中，get函数里面也加入绝对路径
2.2训练
转入tsn-pytorch文件下，运行main.py函数，把该设置的参数设置好，就ok了
运行结果如下图所示
最后报错更新不动了原因应该是训练的太好了，top1、top3都100%，根本还是数据集太小了，等着跑个稍微大一点儿的数据集再测试一下。
2.3训练过程中可能遇到的问题
第一个：
错误：
解决方法:
将target = target.cuda(async=True)改为target = target.cuda()
第二个：
错误：
RuntimeError: view size is not compatible with input tensor’s size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(…) instead.
解决方法：
将correct_k = correct[:k].view(-1)改为correct_k = correct[:k].contiguous().view(-1)
第三个：
错误：
RuntimeError: Legacy autograd function with non-static forward method is deprecated. Please use new-style autograd function with static forward method. (Example: https://pytorch.org/docs/stable/autograd.html#torch.autograd.Function)
解决方法：
见别人CSDN：链接: https://blog.csdn.net/seamanj/article/details/110083044
第四个：
错误：
IndexError: invalid index of a 0-dim tensor. Use tensor.item in Python or tensor.item() in C++ to convert a 0-dim tensor to a number
解决方法：
就是出错误的位置上那个参数是个tensor，但是当时的pytorch用了数组的调用方法，所以把数组的调用改成.item
第五个：
错误：RuntimeError: Legacy autograd function with non-static forward method is deprecated. Please use new-style autograd function with static forward method.
解决方法：
找到models.py中的forward函数，把output = self.consensus(base_out)改为output = self.consensus.forward(base_out)
找到main.py中的train函数，把output = model.forward(input_var)改为output = model.forward(input_var)
除此之外可能还有问题，大多数应该都是一些pytorch版本不匹配产生的，最多的应该就是tesnor的调用数值方法。找到对应行，百度一下能解决90%
3.测试模型（没弄完，要去听岛屿心情了，先不写了，回来弄完写）
三、瞎写八写在最后
这周除了上课，一半再弄这个一半在复习和写结课作业。从一开始从本地跑不行，再到弄到自己的二系统ubuntu上屁都弄不懂，再到找到colab弄明白colab是怎么回事儿再到慢慢弄出来。回过头来看这一周好像又没啥工作量，其他几个实验室研一的同学嗡嗡嗡的往前窜，麻了。上周看了一句话大体意思是：就怕别人起跑比你早，速度比你快，加速度还比你快。这种激汤能不能别再让我刷到了。年薪五十万的工作得有人做，那年薪五万的不也得有好同志干吗。晚上吃饭的时候刷视频还看到一句话：每个人如果都能出人头地，哪还有平凡人？
拼尽全力，接受普通。