课程介绍：由百度资深算法工程师与中科院高级研究员联合授课，28天手把手带你亲自复现1篇论文，掌握论文复现全流程。 免费的！免费的！免费！ 提供多卡环境！！！还有免费算力等你拿！
pytorch代码地址：https://github.com/kenshohara/3D-ResNets-PyTorch/blob/master/main.py
论文及课程体会：
最大的感受是，通过学习，体会到了如何讨论科研问题和改进模型结构的方法
如何高效和深度理解高质量论文。
算法本身不是很复杂，适合基础一般的同学（比如本人）拿来完整的复现。(百度还送算力)
通过几篇论文的学习，对3D ResNet 的发展有了一个整体的了解。
百度请的大咖们，讲的真的很好！！！
（1）数据准备：
由百度paddle提供ucf101视频数据。来源为YouTube视频，共计101类动作，13320段视频。共有5个大类的动作：1)人-物交互；2)肢体运动；3)人-人交互；4)弹奏乐器；5)运动.
（2）模型结构：
3D-resnet-50残差块结构
（3）训练细节：
训练的时候：优化算法为动量随机梯度下降法，学习率初始化为0.01（不能设置过大，以免准确率波动很大，难以收敛），当验证集的准确率连续下降3次时学习率乘以0.1,动量为0.9，weight decay为0.001，batch size为128（AIStudio）提供两种GPU显存，一种为16G，一种32G）。如果训练时平台出现显存不足，可调小batch size，亦可调小short_size。在数据出来阶段，为避免每次启动项目是除work以外的文件重置，可将视频取帧为图像数据集保存至work文件夹内。测试的时候，视频被分成若干不重叠的16帧的视频段，结果为所有视频段的结果的平均。输入的16帧视频是从原视频中均匀采样得到的，使用了数据增强的方法（不同的数据预处理方式，对模型的准确率影响较大，需要自己不断去尝试和探索。此处有一点疑惑就是原文采取的group_corner_crop增强方式，并不能取得较好的效果）对于训练集，常采用随机裁剪和随机翻转，当然还有其他方式；对于测试和验证集应采取不改变数据的增强方式。加载预训练模型，将预训练模型参数由pytorch转为paddle模型的初始参数，在转化过程中，最好将每一层的参数名称打印出来，一一对照。在最后一层全连接层时，要将模型的输出维度改为自己模型所采用的数据集的种类数量，初始时采用自己设定的正态分布初始化。因为要用到torch模块和torchversion模块，所以最好在本地安装paddle后，同时安装torch和torchversion模块，在本地转好之后再上传至平台。
在将pytorch模型转为paddle模型时，一定要出现api的转换，幸好百度飞桨提供了两种模型的api对照表，在转换的时候，可以一一对照转换。paddle的api具体用法可以参照百度飞桨的官方文档。
在训练时，很容易出现过拟合，训练集的准确率在95-100%，而验证集的准确率只有85-90%.出现这种情况时，可以参照以下步骤逐一检查。
(a) 加载预训练模型后，需要先在ucf-101数据集上fine-tune，再观察测试集与验证集的准确率；
(b) 如果出现过拟合，可能原因有很多，建议跟源码对齐下超参数，比如学习率、batch_size等。
在训练时，学习率从大到小逐一设置，一般在6个epochs左右模型收敛，此时可将模型参数保存，然后调小学习率，继续训练模型。