[RPAN]代码阅读

╰半橙微兮° 2022-05-16 06:34 207阅读 0赞

鉴于很多人都在要代码，我找到的是[作者的源码][Link 1] ，以下文章只供自己做笔记用

### attention lstm 层 ###

在文件lstm\_lib.py中具体实现函数，在attention\_lstm.py中调用类，在layers.py中 定义类  
输入：conv\_fea()

#### attention block ####

α = w ∗ t a n h ( c o n v \_ f e a ∗ U + h t − 1 ∗ H + b ) \\alpha=w\*tanh(conv\\\_fea\*U+h\_\{t-1\}\*H+b) α=w∗tanh(conv\_fea∗U\+ht−1∗H\+b)  
文中说有5个不同的part，因此就要有五个不同的U，和H  
U：(conv\_dim,dim\_w) 将输入feature维度变成dim\_w=32*5  
H：(dim\_proj,dim\_w) 将隐藏层维度变成32*5  
这里这个dim\_w的维度是32\*5，最后K被\_slice切成五个部分，每个部分的维度是32，再与对应的w相乘  
用五个感知机，

lamda_modal =tensor.tanh(tensor.dot(conv_fea_att_step_tmp, LSTM_U_lamada_modal) +  # 49*n_sample*512
                           tensor.dot(h_modal_, LSTM_H_lamada_modal)[None, :, :] + LSTM_b_lamada_modal)#,

然后在与W相乘，乘上参数矩阵W，都是组后一个维度在变化，32到1

lamda_modal_up_elbow = tensor.dot(_slice(lamda_modal, 0, dim_part),LSTM_W_lamada_modal[:,:2])

最后进行concate  
所以attention的输出维度\[timestep, reg\_x\*reg\_y+1, num\_seq, num\_joints)\] 注意力权重在feature map的每个像素K上有权重，但是在fea\_dim上是没有的。这点跟以往的注意力不一样，以往的都是注意力集中在1024个feature维度上，将K变成一个

#### lstm ####

##### conv\_fea与attention相乘 #####

`h_tmp_pool4 = conv_fea_att_step_tmp[:, :, None, :] * lamada_com[:, :, :, None] # 49* batchsize*13*51`  
再将属于各个part的关节点加起来，不贴了，作为lstm每个cell的输入

##### 各个门 #####

i，c，f,o都是运算完下面的基本运算，然后再分割的

preact_modal = tensor.dot(h_modal_, LSTM_U_modal).astype(config.floatX)
        preact_modal +=tensor.dot(h_joint, LSTM_W_modal)#.astype(config.floatX)
        preact_modal += LSTM_b_modal

用scan循环函数实现不同的time\_step`theano.scan(_step,...)`,每个step就是每个时间步的具体实现  
lstm的输出：  
output= proj = proj.reshape(\[n\_timesteps\*num\_seq,int(lstm\_options\[‘dim\_proj’\])\])

### softmax layer ###

def __init__(self, input, n_in, n_out):
    
            self.W = Weight((n_in, n_out))
            self.b = Weight((n_out,), std=0)
    
            self.p_y_given_x = T.nnet.softmax(
                T.dot(input, self.W.val) + self.b.val)
    
            self.y_pred = T.argmax(self.p_y_given_x, axis=1)

[Link 1]: https://github.com/lanlianhuaer/Recurrent-Pose-Attention