zouhan6806504

从视频截取一段连续图片，用fastcnn之类提取了特征，再对这些视频进行分类，如何建模可以最大化利用这些图像之间连续的特性？

1

直接lstm？或者图像有比较特别的方案？

xdeepfm 配置文件中的一些疑问

3

hyper_parameters: sparse_inputs_slots: 27 sparse_feature_number: 1000001 sparse_feature_dim: 9 dense_input_dim: 13 sparse_inputs_slots是离散特征的数目吧，数据里有26个，这里是26+1？ sparse_feature_number和sparse_feature_dim是以什么标准来确定的？

要使用example里面的r_unimp，要如何准备数据？

1

meta2vec的模型已经训练好了，可以获得节点特征，要如何存放边、节点、关系这些属性，才能运行example里面的r_unimp？不用那么fold融合，只需要训练单模型

graph4rec在训练的时候，内存缓慢上涨，最终超限崩了

2

aistudio 32g gpu 32g内存 paddle2.2.2 pgl2.1.5 我的图约1亿条边，1kw节点 最开始我将节点归集到2类（原始数据7类），这样生成数据训练没什么大问题。但是后来我觉得这么分类可能会丢失信息，于是就按原始7分类生成训练数据，metapath也根据实际可能存在的路径生成了8种，这时候再训练就出现问题了，内存慢慢增加，最终超过32g程序崩掉 我尝试降低walk_len、walk_num、batch_node_size都不行 按理说这两种训练方式数据量都一致，就是游走的时候不同，第一种情况内存消耗稳定在17g，可能的问题出在哪里？

有个总的数据结构graph，但是细节上各种算法差得比较多 我试了graphsage，gat，这两个差得不太多，能直接用graph 轮到unimap的时候，发现需要一个m2v_feat，查了之后了解到是metapath2vec的特征，于是准备先运行一下metapath2vec算法，看数据代码又发现这个要生成配置文件中的，继续深入了解发现分割符是\t ``` etype2files: "p2a:./graph_data/paper2author_edges.txt,p2c:./graph_data/paper2conf_edges.txt" ntype2files: "p:./graph_data/node_types.txt,a:./graph_data/node_types.txt,c:./graph_data/node_types.txt" ``` 建议demo里面附上简单的数据格式要求，比如metapath2vec中需要的文件，每个文件里面几十条数据，能看出格式要求就行

[Bug]: 继续在自定义数据上预训练ernie3，当中断训练resume后，在save_step时会报找不到vocab.txt

1

### 软件环境 ```Markdown - paddlepaddle: - paddlepaddle-gpu: 2.3.2 - paddlenlp: 2.4.2 使用最近的devlop版本，aistudio环境 ``` ### 重复问题 - [X] I have searched the existing issues ### 错误描述 ```Markdown save_steps时，会丢失vocab.txt ``` ### 稳定复现步骤...

如果我的数据是已经提取好的连续视频特征 250*1024维度，用哪个数据类加载训练比较好？

1

做视频分类，这种情况有例子吗？

I turn them into mfcc features ,shaped (128, 1172), ``` y, sr = librosa.load('E:/audio/113987.wav', sr=None) S = librosa.feature.melspectrogram(y, sr=sr, n_mels=128) log_S = librosa.amplitude_to_db(S) mel_128=librosa.feature.mfcc(S=log_S, n_mfcc=128) ``` then I use local_concurrences(mel_128.T,...