论文阅读之“YouTube-8M: A Large-Scale

  对视频的分析，我之前是从没有学过，这篇论文算是我对短视频分析的入门，收获也是非常多的。论文主要讲了如何为短视频建立模型并分类，大致的思路就是

  这里面的关键就在于第三步——如何对帧特征进行降维得到视频特征？如何降维才能保证信息丢失的最小化？这篇文章提出了两类方法，一类是非deep的方法，一类是deep的方法。

非deep的方法

  非deep的方法，说白了就是降维过程中没有建立DNN，直接用传统的方法解决。我认为这类方法的优势就在于容易理解并实现，泛化能力相对更高。具体实现步骤是：

1. 假设帧数据经过神经网络（去掉最后的输出层）提取特征后得到一个D维的向量，那么一个视频最终就可以用一个的2维矩阵表示。但是不同的视频提取的帧数量也不一样，为了保证最终每个视频的表示形式一致，就需要对2维矩阵进行处理。
2. 对2维矩阵提取1阶，2阶和序号统计信息。1阶信息指矩阵在列上的均值，最终得到一个D维的向量；2阶信息指矩阵在列上的方差，也得到一个D维的向量；序号信息指矩阵在列上的前K大的值，最终得到了一个的2维矩阵。将这3种统计特征在列上拼接起来就得到一个新的定长矩阵（维度是），这样一个变长的视频特征矩阵就转换成了定长的统计特征矩阵。统计特征矩阵具体形式如下：
   
3. 最后，利用PCA+Whitening对统计特征矩阵进行进一步的降维，最终得到一个D维向量作为视频的表示。

  在实现过程中，我发现在实现第3步时出了点问题。这里我记录下遇到的坑和解决方法。PCA的处理我选择了使用sklearn中的PCA函数，sklearn中要求输入是一个矩阵，每一行的向量代表一个样本，但是这里每个视频对应的统计特征矩阵却是2维矩阵，我的思路就是将矩阵进行平铺得到一个维的向量。这只是一个小的问题，另外一个大的问题在于如何训练这个PCA模型。每个视频对应的表示向量的维度是很大的（），如果将训练集中所有视频对应的表示向量拼接起来，那么这个需要训练的矩阵将会巨大无比，计算机是没法存入这样一个巨大的矩阵的。那么这里我通过查找API，发现了sklearn的PCA类中有一个IncrementalPCA类，专门用来处理这种情况的。IncrementalPCA的优势在于可以迭代式训练，每次只需要传入一个batch的样本进行训练即可。使用IncrementalPCA的另外一个好处在于可以使得模型进行online learning。以后若是有新的视频数据传入，只需要对PCA模型进行迭代式训练即可。

deep的方法

  deep的方法说白了就是模型中加入了DNN，所以对数据的表达能力更强。论文中主要提出两个deep的思路。一个是Deep Bag of Frame (DBoF) Pooling，另一个就是LSTM。
  DBoF其实是借鉴了自然语言处理中的BOW的思想，可以理解为将多个帧特征合成为一个视频特征，最简单的合成方式自然是在列上相加。这里使用了deep的思想，其实就是利用DNN将帧特征映射到更高维度的空间中，在该高维空间中对帧特征进行求和，然后再利用DNN将高维特征映射回低维空间中，方便后面进行分类。这个降维的过程是可学习的过程，我将其理解为deep的思想。其实既然提到了BOW，那么另外两种方法FV和VLAD就也可以扩展到这里来，具体关于FV和VLAD的讲解在我另外的文章中，这里就只是提一下。
  LSTM就更好理解了，不断传入帧数据，用最后的LSTM状态向量来作为视频的表示向量即可。
TODO：这两种方法我都还没实现，等实现了再回来写遇到的问题。

分类网络MoE

  最后我想记录下论文中用到的分类网络MoE（Mixture of Expert，多专家模型）。这个模型其实早在上世纪90年代就提出了，具体结构如下图所示： 双层MoE网络结构.png

我们单看框中的结构（一个框代表了一个单层MoE网络结构），其实单层MoE可以看做是多个模型的加权bagging。输入数据x传到多个专家模型中，每个专家模型都可以得到一个预测结果；同时，将x传到一个门网络中为每个专家模型生成一个权重向量；最后，将预测结果和对应权重向量相乘求和得到最终的预测结果。其实，这个就跟周志华老师的西瓜书中183页提到的加权投票法的思想很像，当然啦，MoE模型的提出可比西瓜书早太多了。论文源码中的MoE实现如下：

gate_activations = slim.fully_connected(model_input, vocab_size * (num_mixtures + 1))
expert_activations = slim.fully_connected(model_input, vocab_size * num_mixtures)
gating_distribution = tf.nn.softmax(tf.reshape(gate_activations, [-1, num_mixtures + 1]))
expert_distribution = tf.nn.sigmoid(tf.reshape(expert_activations, [-1, num_mixtures]))
final_probabilities_by_class_and_batch = tf.reduce_sum(gating_distribution[:, :num_mixtures] * expert_distribution, 1)

我根据代码理解的MoE流程图如下： MoE具体实现流程图.jpg