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
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
本仓库为模型在openi启智训练运行版本,需依靠启智平台算力,硬件平台为Ascend 910。
若需要将此项目运行在GPU上,请移步此仓库:https://github.com/zRAINj/ConvLSTM_MindSpore
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。
此次训练采用openi平台云脑训练任务,openi仓库:https://git.openi.org.cn/zrainj/ConvLSTM_MindSpore
具体云脑训练配置如下:(过低可能会导致训练速度过慢)
计算资源:Ascend NPU
AI引擎: – MindSpore version : 1.5.1 – Python version : 3.7 – OS platform and distribution : euleros2.8-aarch64
规格:
NPU: 1*Ascend 910, CPU: 24, 显存: 32GB, 内存: 256GB
启动文件: train.py
评估过程采用Moving MNIST作为测试集。
train_loss | valid_loss | SSIM | MAE | MSE |
---|---|---|---|---|
0.000976 | 0.000961 | 0.777687 | 221.285598 | 94.498799 |
test_loss | SSIM | MAE | MSE |
---|---|---|---|
0.000638 | 0.833904 | 156.482312 | 62.759463 |
载入权重模型后继续训练会有较大精度浮动
- 曾润佳 (广东工业大学)
请浏览官方主页。