本文介绍基于PaddlePaddle实现的PredNet视频预测模型，其基于预测性编码原理，采用层级结构。使用转换为hdf5格式的KITTI数据集训练，设置特定参数（batch size 4、epoch 150等），复现精度达0.006900，优于原始代码。还提及复现注意事项及代码结构等内容。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
基于PaddlePaddle实现的PredNet模型
1. 简介
PredNet是一个利用神经生物学中的预测性编码（Predictive Coding）原理所构建的视频预测模型，预测过程自顶向下，感知过程自底向上，对于其本身原理更感兴趣的同学可以参考Wikipedia。PreNet为该原理在视频数据上的一个实现，结构如下所示。网络为层级结构，每一层都会通过R来计算A_hat以预测输入A，两者的差异E再作为输入传递给下一层。其中R为每一层的表征，由一个LSTM来完成对时序信息的整合。特别的是R的输入除了由当前层的误差E外，还包含高层的表征，从而使得顶层的语义信息可以向底层传递。
以下给出两张官方参数的预测结果，第一行为真实图像，第二行为预测图像，第一个时间步网络处于初始化状态，没有外部输入，故输出为0。
论文: Lotter, William, Gabriel Kreiman, and David Cox. "Deep predictive coding networks for video prediction and unsupervised learning." arXiv preprint arXiv:1605.08104 (2016).
参考repo: prednet
2. 数据集
本项目使用KITTI数据集进行训练。KITTI是一个自动驾驶领域常用的数据集，其由配置了传感器的汽车于德国卡尔斯鲁厄采集，数据中包含了双目彩色图像、深度图像、雷达点云等传感数据，并提供目标检测、实例分割等常见CV任务的标签。
按照论文中的设置，将RGB图像降采样至128x160。由于原始KITTI数据过大（~165G），作者在DropBox上提供了处理过的版本。又由于处理过后的数据为.hkl格式，只能在python2中使用hickle 2.1.0进行加载，所以我将数据集转换为hdf5格式，上传至AI Studio。
数据分为train，val，test三个数据集，分别包含41396，154，832张图像。每个文件中包含两个变量，images为所有图像帧，sources是每帧图像 的来源，用于判断帧之间的连续性。本项目已挂载数据集，位于/home/aistudio/data/data119650。
3. 复现精度
采用与原文代码一致的训练参数：batch size 4，epoch 150，samples per epoch 500，优化器Adam，初始学习率1e-3，75个epoch后减小为1e-4。保存验证集loss最低的模型为最优模型。
| 数据集 | 复现精度要求 | 原始代码库精度 | 本项目精度 |
|---|---|---|---|
| KITTI | 0.007000 | 0.006995 | 0.006900 |
训练日志链接：log 权重文件链接：weight
4. 环境依赖
-
硬件：
- x86 cpu
- NVIDIA GPU
-
框架：
- PaddlePaddle==2.2.0
-
其他依赖项：
- matplotlib
- h5py
- tqdm
5. 快速开始
Step 1 准备环境
%cd ~/work/prednet-paddle !pip install -r requirements.txt
Step 2 使用官方预训练模型，验证模型（可选）
!python kitti_evaluate.py --weight_file model_data_keras2/tensorflow_weights/prednet_kitti_weights.hdf5 --data_dir ~/data/data119650/ !cat kitti_results/prediction_scores.txt
Step 3 训练模型
# 注：使用V100训练需2h左右!python kitti_train.py --data_dir ~/data/data119650/
Step 4 验证模型
### 验证!python kitti_evaluate.py --data_dir ~/data/data119650/ !cat kitti_results/prediction_scores.txt
### 可视化结果import matplotlib.pyplot as plt plot_dir = 'kitti_results/prediction_plots/'plot_names = os.listdir(plot_dir) img = plt.imread(os.path.join(plot_dir, plot_names[0])) # 可以修改index查看不同结果plt.imshow(img) plt.show()
6. 代码结构
├── LICENSE ├── README.md ├── data.py # 数据集定义├── kitti_data # 数据文件夹│ ├── test.h5 # 测试数据│ ├── train.h5 # 训练数据│ └── val.h5 # 验证数据├── kitti_evaluate.py # 评估脚本├── kitti_results │ ├── prediction_plots/ # 测试集预测可视化│ └── prediction_scores.txt # 测试集指标├── kitti_settings.py # 路径定义├── kitti_train.py # 训练脚本├── prednet.py # 网络定义├── requirements.txt # 依赖包└── utils.py # 功能函数
7. 复现心得
PredNet作为2016年的模型，与现在的模型相比更加纯粹一些，没有各种花式trick，复现起来相对容易。
原始代码是使用keras实现的，所以在复现时有几个小细节需要注意：
- 默认初始化方式：keras的默认初始化方式为XavierUniform，而paddle的默认初始化方式为XavierNormal，本项目通过传入weight_attr进行修改。
- HardSigmoid表达式：keras为clip(x/5+0.5, 0, 1)，而paddle为clip(x/6+0.5, 0, 1)，本项目通过重写HardSigmoid进行对齐。
