使用C3D模型进行人类行为识别：HMDB51数据集实战

下面是一个使用C3D模型在HMDB51数据集上进行人类行为识别任务的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
import videos
from c3d import C3D
from hmdb51 import HMDB51

# 定义超参数
batch_size = 4
lr = 1e-3
num_epochs = 10

# 加载HMDB51数据集
train_dataset = HMDB51('train', videos)
test_dataset = HMDB51('test', videos)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 加载C3D模型
model = C3D(num_classes=51)
model.load_state_dict(torch.load('c3d_hmdb51.pt'))

# 训练C3D模型
model.train()
optimizer = optim.Adam(model.parameters(), lr=lr)
criterion = nn.CrossEntropyLoss()

for epoch in range(num_epochs):
    running_loss = 0.0
    for i, (inputs, labels) in enumerate(train_loader):
        inputs = inputs.cuda()
        labels = labels.cuda()
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch [{}/{}], Train Loss: {:.4f}'.format(epoch + 1, num_epochs, running_loss / len(train_loader)))

# 测试C3D模型
model.eval()
total_correct = 0
total_samples = 0

with torch.no_grad():
    for inputs, labels in test_loader:
        inputs = inputs.cuda()
        labels = labels.cuda()
        outputs = model(inputs)
        _, predicted = torch.max(outputs, 1)
        total_samples += labels.size(0)
        total_correct += (predicted == labels).sum().item()

test_accuracy = total_correct / total_samples
print('Test Accuracy: {:.2%}'.format(test_accuracy))

请注意，在上述代码中，我假设您已经有了C3D模型的定义（在c3d.py中），并且已经下载了在HMDB51数据集上预训练好的权重文件c3d_hmdb51.pt。此外，您还需要具备videos模块和hmdb51模块，这些模块用于加载和处理HMDB51数据集。

该代码首先加载HMDB51数据集，并将其分为训练集和测试集。然后，它加载预训练的C3D模型，并使用Adam优化器和交叉熵损失函数进行训练。在每个训练轮次中，它计算并打印训练损失。

接下来，代码将模型切换为评估模式，并在测试集上进行推理，计算并打印测试准确率。

请确保在运行代码之前，您已经安装了所需的依赖项，并将数据集、模型定义文件和权重文件放置在正确的位置。