git.sesse.net Git - voxel-flow/blob - voxel_flow_train.py

   1 """Train a voxel flow model on ucf101 dataset."""
   2 from __future__ import absolute_import
   3 from __future__ import division
   4 from __future__ import print_function
   5
   6 import dataset
   7 from utils.prefetch_queue_shuffle import PrefetchQueue
   8 import numpy as np
   9 import os
  10 import tensorflow as tf
  11 import tensorflow.contrib.slim as slim
  12 from datetime import datetime
  13 import random
  14 from random import shuffle
  15 from voxel_flow_model import Voxel_flow_model
  16 from utils.image_utils import imwrite
  17 from functools import partial
  18 import pdb
  19
  20 FLAGS = tf.app.flags.FLAGS
  21
  22 # Define necessary FLAGS
  23 tf.app.flags.DEFINE_string('train_dir', './voxel_flow_checkpoints/',
  24                            """Directory where to write event logs """
  25                            """and checkpoint.""")
  26 tf.app.flags.DEFINE_string('train_image_dir', './voxel_flow_train_image/',
  27                            """Directory where to output images.""")
  28 tf.app.flags.DEFINE_string('test_image_dir', './voxel_flow_test_image/',
  29                            """Directory where to output images.""")
  30 tf.app.flags.DEFINE_string('subset', 'train',
  31                            """Either 'train' or 'validation'.""")
  32 tf.app.flags.DEFINE_string('pretrained_model_checkpoint_path', './voxel_flow_checkpoints/',
  33                            """If specified, restore this pretrained model """
  34                            """before beginning any training.""")
  35 tf.app.flags.DEFINE_integer('max_steps', 10000000,
  36                             """Number of batches to run.""")
  37 tf.app.flags.DEFINE_integer(
  38         'batch_size', 32, 'The number of samples in each batch.')
  39 tf.app.flags.DEFINE_float('initial_learning_rate', 0.0003,
  40                           """Initial learning rate.""")
  41
  42
  43 def train(dataset_frame1, dataset_frame2, dataset_frame3):
  44   """Trains a model."""
  45   with tf.Graph().as_default():
  46     # Create input and target placeholder.
  47     input_placeholder = tf.placeholder(tf.float32, shape=(None, 256, 256, 6))
  48     target_placeholder = tf.placeholder(tf.float32, shape=(None, 256, 256, 3))
  49
  50     # input_resized = tf.image.resize_area(input_placeholder, [128, 128])
  51     # target_resized = tf.image.resize_area(target_placeholder,[128, 128])
  52
  53     # Prepare model.
  54     model = Voxel_flow_model()
  55     prediction = model.inference(input_placeholder)
  56     # reproduction_loss, prior_loss = model.loss(prediction, target_placeholder)
  57     reproduction_loss = model.loss(prediction, target_placeholder)
  58     # total_loss = reproduction_loss + prior_loss
  59     total_loss = reproduction_loss
  60
  61     # Perform learning rate scheduling.
  62     learning_rate = FLAGS.initial_learning_rate
  63
  64     # Create an optimizer that performs gradient descent.
  65     opt = tf.train.AdamOptimizer(learning_rate)
  66     grads = opt.compute_gradients(total_loss)
  67     update_op = opt.apply_gradients(grads)
  68
  69     # Create summaries
  70     summaries = tf.get_collection(tf.GraphKeys.SUMMARIES)
  71     summaries.append(tf.summary.scalar('total_loss', total_loss))
  72     summaries.append(tf.summary.scalar('reproduction_loss', reproduction_loss))
  73     # summaries.append(tf.summary.scalar('prior_loss', prior_loss))
  74     summaries.append(tf.summary.image('Input Image (before)', input_placeholder[:, :, :, 0:3], 3));
  75     summaries.append(tf.summary.image('Input Image (after)', input_placeholder[:, :, :, 3:6], 3));
  76     summaries.append(tf.summary.image('Output Image', prediction, 3))
  77     summaries.append(tf.summary.image('Target Image', target_placeholder, 3))
  78
  79     # Create a saver.
  80     saver = tf.train.Saver(tf.all_variables())
  81
  82     # Build the summary operation from the last tower summaries.
  83     summary_op = tf.summary.merge_all()
  84
  85     # Build an initialization operation to run below.
  86     init = tf.initialize_all_variables()
  87     sess = tf.Session()
  88     sess.run(init)
  89
  90     # Summary Writter
  91     summary_writer = tf.summary.FileWriter(
  92       FLAGS.train_dir,
  93       graph=sess.graph)
  94
  95     # Training loop using feed dict method.
  96     data_list_frame1 = dataset_frame1.read_data_list_file()
  97     random.seed(1)
  98     shuffle(data_list_frame1)
  99
 100     data_list_frame2 = dataset_frame2.read_data_list_file()
 101     random.seed(1)
 102     shuffle(data_list_frame2)
 103
 104     data_list_frame3 = dataset_frame3.read_data_list_file()
 105     random.seed(1)
 106     shuffle(data_list_frame3)
 107
 108     data_size = len(data_list_frame1)
 109     epoch_num = int(data_size / FLAGS.batch_size)
 110
 111     # num_workers = 1
 112
 113     # load_fn_frame1 = partial(dataset_frame1.process_func)
 114     # p_queue_frame1 = PrefetchQueue(load_fn_frame1, data_list_frame1, FLAGS.batch_size, shuffle=False, num_workers=num_workers)
 115
 116     # load_fn_frame2 = partial(dataset_frame2.process_func)
 117     # p_queue_frame2 = PrefetchQueue(load_fn_frame2, data_list_frame2, FLAGS.batch_size, shuffle=False, num_workers=num_workers)
 118
 119     # load_fn_frame3 = partial(dataset_frame3.process_func)
 120     # p_queue_frame3 = PrefetchQueue(load_fn_frame3, data_list_frame3, FLAGS.batch_size, shuffle=False, num_workers=num_workers)
 121
 122     for step in range(0, FLAGS.max_steps):
 123       batch_idx = step % epoch_num
 124
 125       batch_data_list_frame1 = data_list_frame1[int(batch_idx * FLAGS.batch_size) : int((batch_idx + 1) * FLAGS.batch_size)]
 126       batch_data_list_frame2 = data_list_frame2[int(batch_idx * FLAGS.batch_size) : int((batch_idx + 1) * FLAGS.batch_size)]
 127       batch_data_list_frame3 = data_list_frame3[int(batch_idx * FLAGS.batch_size) : int((batch_idx + 1) * FLAGS.batch_size)]
 128
 129       # Load batch data.
 130       batch_data_frame1 = np.array([dataset_frame1.process_func(line) for line in batch_data_list_frame1])
 131       batch_data_frame2 = np.array([dataset_frame2.process_func(line) for line in batch_data_list_frame2])
 132       batch_data_frame3 = np.array([dataset_frame3.process_func(line) for line in batch_data_list_frame3])
 133
 134       # batch_data_frame1 = p_queue_frame1.get_batch()
 135       # batch_data_frame2 = p_queue_frame2.get_batch()
 136       # batch_data_frame3 = p_queue_frame3.get_batch()
 137
 138       feed_dict = {input_placeholder: np.concatenate((batch_data_frame1, batch_data_frame3), 3), target_placeholder: batch_data_frame2}
 139
 140       # Run single step update.
 141       _, loss_value = sess.run([update_op, total_loss], feed_dict = feed_dict)
 142
 143       if batch_idx == 0:
 144         # Shuffle data at each epoch.
 145         random.seed(1)
 146         shuffle(data_list_frame1)
 147         random.seed(1)
 148         shuffle(data_list_frame2)
 149         random.seed(1)
 150         shuffle(data_list_frame3)
 151         print('Epoch Number: %d' % int(step / epoch_num))
 152
 153       if step % 10 == 0:
 154         print("Loss at step %d: %f" % (step, loss_value))
 155
 156       if step % 100 == 0:
 157         # Output Summary
 158         summary_str = sess.run(summary_op, feed_dict = feed_dict)
 159         summary_writer.add_summary(summary_str, step)
 160
 161       if step % 500 == 0:
 162         # Run a batch of images
 163         prediction_np, target_np = sess.run([prediction, target_placeholder], feed_dict = feed_dict)
 164         for i in range(0,prediction_np.shape[0]):
 165           file_name = FLAGS.train_image_dir+str(i)+'_out.png'
 166           file_name_label = FLAGS.train_image_dir+str(i)+'_gt.png'
 167           imwrite(file_name, prediction_np[i,:,:,:])
 168           imwrite(file_name_label, target_np[i,:,:,:])
 169
 170       # Save checkpoint
 171       if step % 5000 == 0 or (step +1) == FLAGS.max_steps:
 172         checkpoint_path = os.path.join(FLAGS.train_dir, 'model.ckpt')
 173         saver.save(sess, checkpoint_path, global_step=step)
 174
 175 def validate(dataset_frame1, dataset_frame2, dataset_frame3):
 176   """Performs validation on model.
 177   Args:
 178   """
 179   pass
 180
 181 def test(dataset_frame1, dataset_frame2, dataset_frame3):
 182   """Perform test on a trained model."""
 183   with tf.Graph().as_default():
 184                 # Create input and target placeholder.
 185     input_placeholder = tf.placeholder(tf.float32, shape=(None, 256, 256, 6))
 186     target_placeholder = tf.placeholder(tf.float32, shape=(None, 256, 256, 3))
 187
 188     # input_resized = tf.image.resize_area(input_placeholder, [128, 128])
 189     # target_resized = tf.image.resize_area(target_placeholder,[128, 128])
 190
 191     # Prepare model.
 192     model = Voxel_flow_model(is_train=True)
 193     prediction = model.inference(input_placeholder)
 194     # reproduction_loss, prior_loss = model.loss(prediction, target_placeholder)
 195     reproduction_loss = model.loss(prediction, target_placeholder)
 196     # total_loss = reproduction_loss + prior_loss
 197     total_loss = reproduction_loss
 198
 199     # Create a saver and load.
 200     saver = tf.train.Saver(tf.all_variables())
 201     sess = tf.Session()
 202
 203     # Restore checkpoint from file.
 204     if FLAGS.pretrained_model_checkpoint_path:
 205       assert tf.gfile.Exists(FLAGS.pretrained_model_checkpoint_path)
 206       ckpt = tf.train.get_checkpoint_state(
 207                FLAGS.pretrained_model_checkpoint_path)
 208       restorer = tf.train.Saver()
 209       restorer.restore(sess, ckpt.model_checkpoint_path)
 210       print('%s: Pre-trained model restored from %s' %
 211         (datetime.now(), ckpt.model_checkpoint_path))
 212
 213     # Process on test dataset.
 214     data_list_frame1 = dataset_frame1.read_data_list_file()
 215     data_size = len(data_list_frame1)
 216     epoch_num = int(data_size / FLAGS.batch_size)
 217
 218     data_list_frame2 = dataset_frame2.read_data_list_file()
 219
 220     data_list_frame3 = dataset_frame3.read_data_list_file()
 221
 222     i = 0
 223     PSNR = 0
 224
 225     for id_img in range(0, data_size):
 226       # Load single data.
 227       line_image_frame1 = dataset_frame1.process_func(data_list_frame1[id_img])
 228       line_image_frame2 = dataset_frame2.process_func(data_list_frame2[id_img])
 229       line_image_frame3 = dataset_frame3.process_func(data_list_frame3[id_img])
 230
 231       batch_data_frame1 = [dataset_frame1.process_func(ll) for ll in data_list_frame1[0:63]]
 232       batch_data_frame2 = [dataset_frame2.process_func(ll) for ll in data_list_frame2[0:63]]
 233       batch_data_frame3 = [dataset_frame3.process_func(ll) for ll in data_list_frame3[0:63]]
 234
 235       batch_data_frame1.append(line_image_frame1)
 236       batch_data_frame2.append(line_image_frame2)
 237       batch_data_frame3.append(line_image_frame3)
 238
 239       batch_data_frame1 = np.array(batch_data_frame1)
 240       batch_data_frame2 = np.array(batch_data_frame2)
 241       batch_data_frame3 = np.array(batch_data_frame3)
 242
 243       feed_dict = {input_placeholder: np.concatenate((batch_data_frame1, batch_data_frame3), 3),
 244                     target_placeholder: batch_data_frame2}
 245       # Run single step update.
 246       prediction_np, target_np, loss_value = sess.run([prediction,
 247                                                       target_placeholder,
 248                                                       total_loss],
 249                                                       feed_dict = feed_dict)
 250       print("Loss for image %d: %f" % (i,loss_value))
 251       file_name = FLAGS.test_image_dir+str(i)+'_out.png'
 252       file_name_label = FLAGS.test_image_dir+str(i)+'_gt.png'
 253       imwrite(file_name, prediction_np[-1,:,:,:])
 254       imwrite(file_name_label, target_np[-1,:,:,:])
 255       i += 1
 256       PSNR += 10*np.log10(255.0*255.0/np.sum(np.square(prediction_np-target_np)))
 257     print("Overall PSNR: %f db" % (PSNR/len(data_list)))
 258
 259 if __name__ == '__main__':
 260
 261   os.environ["CUDA_VISIBLE_DEVICES"] = "0"
 262
 263   if FLAGS.subset == 'train':
 264
 265     data_list_path_frame1 = "data_list/ucf101_train_files_frame1.txt"
 266     data_list_path_frame2 = "data_list/ucf101_train_files_frame2.txt"
 267     data_list_path_frame3 = "data_list/ucf101_train_files_frame3.txt"
 268
 269     ucf101_dataset_frame1 = dataset.Dataset(data_list_path_frame1)
 270     ucf101_dataset_frame2 = dataset.Dataset(data_list_path_frame2)
 271     ucf101_dataset_frame3 = dataset.Dataset(data_list_path_frame3)
 272
 273     train(ucf101_dataset_frame1, ucf101_dataset_frame2, ucf101_dataset_frame3)
 274
 275   elif FLAGS.subset == 'test':
 276
 277     data_list_path_frame1 = "data_list/ucf101_test_files_frame1.txt"
 278     data_list_path_frame2 = "data_list/ucf101_test_files_frame2.txt"
 279     data_list_path_frame3 = "data_list/ucf101_test_files_frame3.txt"
 280
 281     ucf101_dataset_frame1 = dataset.Dataset(data_list_path_frame1)
 282     ucf101_dataset_frame2 = dataset.Dataset(data_list_path_frame2)
 283     ucf101_dataset_frame3 = dataset.Dataset(data_list_path_frame3)
 284
 285     test(ucf101_dataset_frame1, ucf101_dataset_frame2, ucf101_dataset_frame3)