Social GAN代码要点记录

近日在阅读Social GAN文献的实验代码，加深对模型的理解，发现源代码的工程化很强，也比较适合构建实验模型的学习，故细致阅读。下文是笔者阅读中一些要点总结，有关于pytorch，也有关于模型自身的。

GPU -> CPU

SGAN的实验代码在工程化方面考虑比较充分，考虑到了在CPU和GPU两种平台上模型的运行。原生平台是GPU，若要切换为CPU，需要做如下改动（目前只改动了训练过程所需的，测试评估还未进行，但估计类似）：

args.use_gpu需要置为0，以保证int_dtype和float_dtype不是cuda。
检索cuda()，可以发现在model.py还有些残缺未考虑的cuda定义，使用torch.cuda.is_available()判断是否GPU可使用，只有可行采用cuda()定义：

x = xxx()

if torch.cuda.is_available():

	x = x.cuda()

池化层实现细节

Social GAN相较于Social LSTM提出了新的池化模型以满足不同行人轨迹间信息共享与相互作用，具体有以下几个方面的变动：

Social GAN的池化频率为一次，只在利用已知轨迹编码后进行一次池化。（代码中一个额外选项是在预测的每一步都进行池化）
池化范围为全局而不是固定的范围区间，代码使用max pooling的手段使得在场景人数不确定的情况下可以保持数据维度固定。
池化输入数据由两方面组成：LSTMs的隐藏状态+最后位置的相对信息。

而在代码实现时，计算相对位置信息时显得比较巧妙，例如在同场景的行人位置信息，代码通过两次不同的repeat策略将原有N个人的位置信息重复N次，从而形成了[P0, P0, P0, ...] [P1, P1, P1, ...] ... 和 [P0, P1, P2, ...] [P0, P1, P2, ...] ..两个矩阵，通过矩阵相减即可得到一个N*N行的矩阵，第\(i\)行是第\(i \% N\)个人相对于第\(i / N\)个人的相对位置。

	curr_hidden = h_states.view(-1, self.h_dim)[start:end]

    curr_end_pos = end_pos[start:end]

    # Repeat -> [H1, H2, H3, ...][H1, H2, H3, ...]...

    curr_hidden_1 = curr_hidden.repeat(num_ped, 1)

    # Repeat position -> [P1, P2, P3, ...][P1, P2, P3, ...]...

    curr_end_pos_1 = curr_end_pos.repeat(num_ped, 1)

    # Repeat position -> [P1, P1, P1, ...][P2, P2, P2, ...]...

    curr_end_pos_2 = self.repeat(curr_end_pos, num_ped)

    # 得到行人的end_pos间的相对关系，并交给感知机去具体处理。

    # 每个行人与其他行人的相对位置关系由num_ped项，合计有num_ped**2项。

    curr_rel_pos = curr_end_pos_1 - curr_end_pos_2

    curr_rel_embedding = self.spatial_embedding(curr_rel_pos)

    # 拼接H_i和处理过的pos，放入多层感知机，最后经过maxPooling。

    mlp_h_input = torch.cat([curr_rel_embedding, curr_hidden_1], dim=1)

    curr_pool_h = self.mlp_pre_pool(mlp_h_input)

DataLoader相关

安利一个知乎，上面对使用Pytorch实现dataLoader解释得很细致

https://zhuanlan.zhihu.com/p/30385675

dataLoader迭代器的数据格式

从Dataset继承而来的TrajectoryDataSet对__get_item__进行了重写，以方便dataLoader使用并整合，每次函数返回的是一个列表：

out = [

    self.obs_traj[start:end, :], self.pred_traj[start:end, :],

    self.obs_traj_rel[start:end, :], self.pred_traj_rel[start:end, :],

    self.non_linear_ped[start:end], self.loss_mask[start:end, :]

]

return out

列表中有6个元素，以obs_traj为例，其大小为[N][2][seq_len]，但是在使用dataLoader进行迭代时出现了这种形式，不仅一个batch中解压得到的变为7个，而且obs_traj的大小变为[seq_len][batch][2]，，顺序发生了变化.

batch = [tensor.cuda() for tensor in batch]

(obs_traj, pred_traj_gt, obs_traj_rel, pred_traj_gt_rel, non_linear_ped,loss_mask, seq_start_end) = batch

Solution

问题主要是忽视了DataLoader中collate_fn函数的作用，这个函数是在trajectory.py中自定义的函数，主要作用时当dataLoader收集到batch_size个item后形成一个列表，而后交由自定义的collate_fn做预处理，处理后的数据就会被输出为batch。
seq_collate解答了数据格式的两个疑问，包括使用permute和cat函数。

从dataLoader获取的batch数据的概念辨析

Solution

batch != batch_size：
1. 模型注释中有多处使用batch来表示张量格式，一个batch的数据常常有batch_size行，但在该模型中不成立。
2. 严格来说，一个batch中有batch_size个item，但一个item可以用多行表示，这就是该模型的数据特点，其在一个batch中额外新增了seq_start_end列表(len(seq_start_end) == batch_size)，使用该列表即可抽取出一个item。
\[batch = \Sigma_{i=0}^{batch\_size-1}N_i (N_i \ge min\_peds)
\]

\(N_i\)表示一个场景下的行人个数。
一个batch中有多场景的行人轨迹数据
1. LSTM编码和译码：每个轨迹都是独立的，此时可以整个batch一起处理。
2. 池化：设计同一场景下各行人序列数据交互，需要使用seq_start_end划分场景分别计算。