引言

本篇主要想总结一下最近打的GISLR比赛，本来是没想写的，比赛前期感觉赛题很有意思，做了eda以及根据一些base改了改自己的方案，取得了还不错的结果，但因为中途被各种琐事缠身，发生了很多变故，也同时在思考很多东西，结果就是五一劳动节发现还剩两天了，急急忙忙再重新上号开始整理，那结果很显然，蛙佬的实验报告没有看完整，我搞错了方向，以为是不能过拟合，最后两天根据best public 加一些我自己理解的策略去降拟合，结果打铁了。。。事实证明，这次又被Google坑了，真是过拟合赛，emmm，但最终让我想写的原因是，有个大佬对最开始前排的方案做了非常详细的中文注释，让我看得太爽了，所以想在这里记录一下。

赛题分析

这道赛题还是很有意思的。

The goal of this competition is to classify isolated American Sign Language (ASL) signs. You will create a TensorFlow Lite model trained on labeled landmark data extracted using the MediaPipe Holistic Solution.

Your work may improve the ability of PopSign* to help relatives of deaf children learn basic signs and communicate better with their loved ones.^

赛题理解就是最终需要上传一个tflite，这个模型是基于视频坐标信号的手势标志分类。手势种类有大概有200多种，比较常用的如下图形式：

但赛题的数据集并不是基于视频流的形式，而是官方已经提取好了人的上半身的特征点，做成了train_landmark_files/[participant_id]/[sequence_id].parquet 形式，这些landmark都是使用 MediaPipe 整体模型从原始视频中提取出来的，提取的类型分为了[‘face’, ‘left_hand’, ‘pose’, ‘right_hand’]，总共543个points，具体可以看如下GIF：

把背景人像去除后，就类似于火柴人的形式：

有点抽象，emmm，这是我从前排大佬的eda里找到的图，这个手势代表着airplane，这个可视化相当于脸部的landmark没动，但把身子和手部连起来了（PS：这里再贴出有大佬做的长视频，需要梯子：https://www.youtube.com/embed/LIT8zOhnIxs），从图中很明显可以看出，不是所有的landmark都是有用的，可以从中提取关键点，做了一下统计后，发现共有115个landmark被用于手、姿势和嘴唇。

这里再贴一下对手部特征点做的可视化：

以及总的543个特征点的分布：

FRAME_TYPE_IDX_MAP = {
    "face"       : np.arange(0, 468),
    "left_hand"  : np.arange(468, 489),
    "pose"       : np.arange(489, 522),
    "right_hand" : np.arange(522, 543),
}

叙述完特征点，最终还得需要提交结果，这次比赛提交的是一个tflite的模型，它支持的转换格式如下：

当然，比赛前期就有人尝试用pytorch来转成tflite，但是这种相对会麻烦些，我看到discussion是有的，只不过有些限制，比如说torch的 GRU单元在这里就用不了，transformer却是可以，所以蛙佬的方案中是torch模型转onnx，再将onnx转tflite，这种理论上比tensorflow多一层，会有所精度损失，但在实践下来后发现也没啥问题。

数据分析

上述的介绍是针对parquet 格式文件，还有一个meta csv为这些的汇总，字段说明为：

• path - The path to the landmark file.
• participant_id - A unique identifier for the data contributor.
• sequence_id - A unique identifier for the landmark sequence.
• sign - The label for the landmark sequence.

格式为：

那我们便可以针对该数据进行分析，比如说查看participant_id 字段的一些分布情况：

print("\n... BASICS OF THE PARTICIPANT ID COLUMN:\n")
display(train_df["participant_id"].astype(str).describe().to_frame().T)

print("\n... WE GET THE COUNT MAP AND GET BASIC STATISTICS:")
participant_count_map = train_df["participant_id"].value_counts().to_dict()
print("\t1. Number of Unique Participants                  -->", len(participant_count_map))
print("\t2. Average Number of Rows Per Participant         -->", np.array(list(participant_count_map.values())).mean())
print("\t3. Standard Deviation in Counts Per Participant   -->", np.array(list(participant_count_map.values())).std())
print("\t4. Minimum Number of Examples For One Participant -->", np.array(list(participant_count_map.values())).min())
print("\t5. Maximum Number of Examples For One Participant -->", np.array(list(participant_count_map.values())).max())


print("\n... GOING FORWARD WE SET THIS COLUMN TO BE A STRING")
train_df["participant_id"] = train_df["participant_id"].astype(str)
subsample_train_df["participant_id"] = subsample_train_df["participant_id"].astype(str)

打印结果为：

	count	unique	top	freq
participant_id	94477	21	49445	4968


... WE GET THE COUNT MAP AND GET BASIC STATISTICS:
	1. Number of Unique Participants                  --> 21
	2. Average Number of Rows Per Participant         --> 4498.9047619047615
	3. Standard Deviation in Counts Per Participant   --> 490.7731417304649
	4. Minimum Number of Examples For One Participant --> 3338
	5. Maximum Number of Examples For One Participant --> 4968

以及可以查看top 50的sign：

fig, ax = plt.subplots(figsize=(8, 8))
train["sign"].value_counts().head(50).sort_values(ascending=True).plot(
    kind="barh", ax=ax, title="Top 50 Signs in Training Dataset"
)
ax.set_xlabel("Number of Training Examples")
plt.show()

以及统计视频数据集中每个视频的缺失帧数以及不同帧数：

N = int(1e3) if (IS_INTERACTIVE or not PREPROCESS_DATA) else int(10e3)  # 根据条件设置 N 的值
N_UNIQUE_FRAMES = np.zeros(N, dtype=np.uint16)  # 初始化 N_UNIQUE_FRAMES 数组
N_MISSING_FRAMES = np.zeros(N, dtype=np.uint16)  # 初始化 N_MISSING_FRAMES 数组
MAX_FRAME = np.zeros(N, dtype=np.uint16)  # 初始化 MAX_FRAME 数组

PERCENTILES = [0.01, 0.05, 0.25, 0.50, 0.75, 0.95, 0.99, 0.999]  # 定义 PERCENTILES 列表

for idx, file_path in enumerate(tqdm(train['file_path'].sample(N, random_state=SEED))):  # 遍历 train['file_path'] 中的文件路径
    df = pd.read_parquet(file_path)  # 读取文件
    N_UNIQUE_FRAMES[idx] = df['frame'].nunique()  # 计算每个文件中不同帧的数量
    N_MISSING_FRAMES[idx] = (df['frame'].max() - df['frame'].min()) - df['frame'].nunique() + 1  # 计算每个文件中缺失帧的数量
    MAX_FRAME[idx] = df['frame'].max()  # 计算每个文件中最大帧数

# Number of unique frames in each video
display(pd.Series(N_UNIQUE_FRAMES).describe(percentiles=PERCENTILES).to_frame('N_UNIQUE_FRAMES'))

plt.figure(figsize=(15,8))
plt.title('Number of Unique Frames', size=24)
pd.Series(N_UNIQUE_FRAMES).plot(kind='hist', bins=128)
plt.grid()
xlim = math.ceil(plt.xlim()[1])
plt.xlim(0, xlim)
plt.xticks(np.arange(0, xlim+25, 25))
plt.show()

"""
	N_UNIQUE_FRAMES
count	1000.000000
mean	37.676000
std	46.188184
min	4.000000
1%	6.000000
5%	6.000000
25%	11.000000
50%	21.000000
75%	43.000000
95%	139.050000
99%	224.000000
99.9%	312.018000
max	330.000000
"""

baseline

Landmark Indices 关键点索引

在机器学习中，Landmark Indices通常指的是人脸关键点的索引。人脸关键点是人脸上的一些特定点，例如眼睛、鼻子、嘴巴等，它们可以用于人脸识别、表情识别等任务。在机器学习中，我们可以使用这些关键点来训练模型，从而实现人脸识别等任务。

# 定义三种数据类型：左手、姿态和右手
USE_TYPES = ['left_hand', 'pose', 'right_hand']
# 定义原始数据中的起始索引
START_IDX = 468
# 定义原始数据中的嘴唇关键点索引，共40个
LIPS_IDXS0 = np.array([
        61, 185, 40, 39, 37, 0, 267, 269, 270, 409,
        291, 146, 91, 181, 84, 17, 314, 405, 321, 375,
        78, 191, 80, 81, 82, 13, 312, 311, 310, 415,
        95, 88, 178, 87, 14, 317, 402, 318, 324, 308,
    ])
# 定义原始数据中的左手关键点索引，共21个
LEFT_HAND_IDXS0 = np.arange(468,489)
# 定义原始数据中的右手关键点索引，共21个
RIGHT_HAND_IDXS0 = np.arange(522,543)
# 定义原始数据中的左侧姿态关键点索引，共5个
LEFT_POSE_IDXS0 = np.array([502, 504, 506, 508, 510])
# 定义原始数据中的右侧姿态关键点索引，共5个
RIGHT_POSE_IDXS0 = np.array([503, 505, 507, 509, 511])
# 定义左手优先的关键点索引，包括嘴唇、左手和左侧姿态，共66个
LANDMARK_IDXS_LEFT_DOMINANT0 = np.concatenate((LIPS_IDXS0, LEFT_HAND_IDXS0, LEFT_POSE_IDXS0))
# 定义右手优先的关键点索引，包括嘴唇、右手和右侧姿态，共66个
LANDMARK_IDXS_RIGHT_DOMINANT0 = np.concatenate((LIPS_IDXS0, RIGHT_HAND_IDXS0, RIGHT_POSE_IDXS0))
# 定义所有手部关键点索引，包括左手和右手，共42个
HAND_IDXS0 = np.concatenate((LEFT_HAND_IDXS0, RIGHT_HAND_IDXS0), axis=0)
# 定义处理后数据的列数，等于66
N_COLS = LANDMARK_IDXS_LEFT_DOMINANT0.size
# 定义处理后数据中的嘴唇关键点索引，从0到39
LIPS_IDXS = np.argwhere(np.isin(LANDMARK_IDXS_LEFT_DOMINANT0, LIPS_IDXS0)).squeeze()
# 定义处理后数据中的左手关键点索引，从40到60
LEFT_HAND_IDXS = np.argwhere(np.isin(LANDMARK_IDXS_LEFT_DOMINANT0, LEFT_HAND_IDXS0)).squeeze()
# 定义处理后数据中的右手关键点索引，从40到60
RIGHT_HAND_IDXS = np.argwhere(np.isin(LANDMARK_IDXS_LEFT_DOMINANT0, RIGHT_HAND_IDXS0)).squeeze()
# 定义处理后数据中的所有手部关键点索引，从40到81
HAND_IDXS = np.argwhere(np.isin(LANDMARK_IDXS_LEFT_DOMINANT0, HAND_IDXS0)).squeeze()
# 定义处理后数据中的姿态关键点索引，从61到65
POSE_IDXS = np.argwhere(np.isin(LANDMARK_IDXS_LEFT_DOMINANT0, LEFT_POSE_IDXS0)).squeeze()
# 打印出手部关键点索引的长度和处理后数据的列数
print(f'# HAND_IDXS: {len(HAND_IDXS)}, N_COLS: {N_COLS}')
#这段代码是用于定义处理后数据中不同部位的关键点的起始位置，以便于后续的切片或索引操作

# 定义嘴唇关键点的起始位置，为0
LIPS_START = 0
# 定义左手关键点的起始位置，为嘴唇关键点的数量
LEFT_HAND_START = LIPS_IDXS.size
# 定义右手关键点的起始位置，为左手关键点的起始位置加上左手关键点的数量
RIGHT_HAND_START = LEFT_HAND_START + LEFT_HAND_IDXS.size
# 定义姿态关键点的起始位置，为右手关键点的起始位置加上右手关键点的数量
POSE_START = RIGHT_HAND_START + RIGHT_HAND_IDXS.size
# 打印出不同部位的关键点的起始位置
print(f'LIPS_START: {LIPS_START}, LEFT_HAND_START: {LEFT_HAND_START}, RIGHT_HAND_START: {RIGHT_HAND_START}, POSE_START: {POSE_START}')

"""
HAND_IDXS: 21, N_COLS: 66

LIPS_START: 0, LEFT_HAND_START: 40, RIGHT_HAND_START: 61, POSE_START: 61
"""

Process Data Tensorflow

ROWS_PER_FRAME = 543  # number of landmarks per frame每帧的标记数量
#`load_relevant_data_subset 加载相关数据子集
#提取数据集中的x、y、z三列数据，将数据集按照每帧的地标数量进行切分，返回一个三维数组。
#其中第一维表示帧数，第二维表示每帧的地标数量，第三维表示x、y、z三个坐标轴。
def load_relevant_data_subset(pq_path):
    data_columns = ['x', 'y', 'z']
    data = pd.read_parquet(pq_path, columns=data_columns)
    n_frames = int(len(data) / ROWS_PER_FRAME)
    data = data.values.reshape(n_frames, ROWS_PER_FRAME, len(data_columns))
    return data.astype(np.float32)

这段代码定义了一个名为ROWS_PER_FRAME的常量，它的值为543，表示每帧的地标数量。函数load_relevant_data_subset(pq_path)读取指定路径下的parquet文件，提取数据集中的x、y、z三列数据，将数据集按照每帧的地标数量进行切分，返回一个三维数组。其中第一维表示帧数，第二维表示每帧的地标数量，第三维表示x、y、z三个坐标轴。函数返回值类型为numpy.ndarray，数据类型为np.float32。

自定义一个使用TF的数据预处理层

首先，该层在 _init_ 方法中创建了一个名为 normalisation_correction 的常量。该常量是一个矩阵，其行数等于数据中特定类型的标志点的数量，列数是 3（即 x、y 和 z 坐标）。这个矩阵用于校正相机的拍摄方向，将左手调整为右手，右手调整为左手。

该层还定义了一个名为 pad_edge 的方法，用于在给定张量的左侧或右侧填充一定数量的重复元素。接下来，该层使用 @tf.function 装饰器装饰了一个 _call_ 方法，用于处理输入数据。

该方法首先计算了输入数据的帧数（N_FRAMES0），然后通过计算左右手各自在数据中的坐标之和，找到了数据中支配性手的标志点。接下来，该方法计算了每个帧的支配性手中非 NaN 值的数量，以确定哪些帧需要保留。然后，它使用这些索引从输入数据中收集标志点数据。

该方法接下来将帧索引的数据类型从整数转换为浮点数，然后将其规范化为以 0 开始。接下来，它再次计算了经过筛选的数据的帧数（N_FRAMES），然后从这些数据中收集了特定类型的标志点数据。如果数据的帧数小于指定的输入大小（INPUT_SIZE），则使用 -1 进行填充，将数据的帧数扩展到指定的输入大小，并将 NaN 值替换为 0。如果数据的帧数大于指定的输入大小，则使用重复数据将其缩小到指定的输入大小，并填充任何缺失的数据。

最后，该方法返回经过处理的数据和相应的帧索引。

"""
    Tensorflow layer to process data in TFLite
    Data needs to be processed in the model itself, so we can not use Python
""" 
class PreprocessLayer(tf.keras.layers.Layer):
    def __init__(self):
        super(PreprocessLayer, self).__init__()
        normalisation_correction = tf.constant([
                    # Add 0.50 to left hand (original right hand) and substract 0.50 of right hand (original left hand)
                    [0] * len(LIPS_IDXS) + [0.50] * len(LEFT_HAND_IDXS) + [0.50] * len(POSE_IDXS),
                    # Y coordinates stay intact
                    [0] * len(LANDMARK_IDXS_LEFT_DOMINANT0),
                    # Z coordinates stay intact
                    [0] * len(LANDMARK_IDXS_LEFT_DOMINANT0),
                ],
                dtype=tf.float32,
            )
        self.normalisation_correction = tf.transpose(normalisation_correction, [1,0])
        
    def pad_edge(self, t, repeats, side):
        if side == 'LEFT':
            return tf.concat((tf.repeat(t[:1], repeats=repeats, axis=0), t), axis=0)
        elif side == 'RIGHT':
            return tf.concat((t, tf.repeat(t[-1:], repeats=repeats, axis=0)), axis=0)
    
    @tf.function(
        input_signature=(tf.TensorSpec(shape=[None,N_ROWS,N_DIMS], dtype=tf.float32),),
    )
    def call(self, data0):
        # Number of Frames in Video
        N_FRAMES0 = tf.shape(data0)[0]
        
        # Find dominant hand by comparing summed absolute coordinates
        left_hand_sum = tf.math.reduce_sum(tf.where(tf.math.is_nan(tf.gather(data0, LEFT_HAND_IDXS0, axis=1)), 0, 1))
        right_hand_sum = tf.math.reduce_sum(tf.where(tf.math.is_nan(tf.gather(data0, RIGHT_HAND_IDXS0, axis=1)), 0, 1))
        left_dominant = left_hand_sum >= right_hand_sum
        
        # Count non NaN Hand values in each frame for the dominant hand
        if left_dominant:
            frames_hands_non_nan_sum = tf.math.reduce_sum(
                    tf.where(tf.math.is_nan(tf.gather(data0, LEFT_HAND_IDXS0, axis=1)), 0, 1),
                    axis=[1, 2],
                )
        else:
            frames_hands_non_nan_sum = tf.math.reduce_sum(
                    tf.where(tf.math.is_nan(tf.gather(data0, RIGHT_HAND_IDXS0, axis=1)), 0, 1),
                    axis=[1, 2],
                )
        
        # Find frames indices with coordinates of dominant hand
        non_empty_frames_idxs = tf.where(frames_hands_non_nan_sum > 0)
        non_empty_frames_idxs = tf.squeeze(non_empty_frames_idxs, axis=1)
        # Filter frames
        data = tf.gather(data0, non_empty_frames_idxs, axis=0)
        
        # Cast Indices in float32 to be compatible with Tensorflow Lite
        non_empty_frames_idxs = tf.cast(non_empty_frames_idxs, tf.float32)
        # Normalize to start with 0
        non_empty_frames_idxs -= tf.reduce_min(non_empty_frames_idxs)
        
        # Number of Frames in Filtered Video
        N_FRAMES = tf.shape(data)[0]
        
        # Gather Relevant Landmark Columns
        if left_dominant:
            data = tf.gather(data, LANDMARK_IDXS_LEFT_DOMINANT0, axis=1)
        else:
            data = tf.gather(data, LANDMARK_IDXS_RIGHT_DOMINANT0, axis=1)
            data = (
                    self.normalisation_correction + (
                        (data - self.normalisation_correction) * tf.where(self.normalisation_correction != 0, -1.0, 1.0))
                )
        
        # Video fits in INPUT_SIZE
        if N_FRAMES < INPUT_SIZE:
            # Pad With -1 to indicate padding
            non_empty_frames_idxs = tf.pad(non_empty_frames_idxs, [[0, INPUT_SIZE-N_FRAMES]], constant_values=-1)
            # Pad Data With Zeros
            data = tf.pad(data, [[0, INPUT_SIZE-N_FRAMES], [0,0], [0,0]], constant_values=0)
            # Fill NaN Values With 0
            data = tf.where(tf.math.is_nan(data), 0.0, data)
            return data, non_empty_frames_idxs
        # Video needs to be downsampled to INPUT_SIZE
        else:
            # Repeat
            if N_FRAMES < INPUT_SIZE**2:
                repeats = tf.math.floordiv(INPUT_SIZE * INPUT_SIZE, N_FRAMES0)
                data = tf.repeat(data, repeats=repeats, axis=0)
                non_empty_frames_idxs = tf.repeat(non_empty_frames_idxs, repeats=repeats, axis=0)

            # Pad To Multiple Of Input Size
            pool_size = tf.math.floordiv(len(data), INPUT_SIZE)
            if tf.math.mod(len(data), INPUT_SIZE) > 0:
                pool_size += 1

            if pool_size == 1:
                pad_size = (pool_size * INPUT_SIZE) - len(data)
            else:
                pad_size = (pool_size * INPUT_SIZE) % len(data)

            # Pad Start/End with Start/End value
            pad_left = tf.math.floordiv(pad_size, 2) + tf.math.floordiv(INPUT_SIZE, 2)
            pad_right = tf.math.floordiv(pad_size, 2) + tf.math.floordiv(INPUT_SIZE, 2)
            if tf.math.mod(pad_size, 2) > 0:
                pad_right += 1

            # Pad By Concatenating Left/Right Edge Values
            data = self.pad_edge(data, pad_left, 'LEFT')
            data = self.pad_edge(data, pad_right, 'RIGHT')

            # Pad Non Empty Frame Indices
            non_empty_frames_idxs = self.pad_edge(non_empty_frames_idxs, pad_left, 'LEFT')
            non_empty_frames_idxs = self.pad_edge(non_empty_frames_idxs, pad_right, 'RIGHT')

            # Reshape to Mean Pool
            data = tf.reshape(data, [INPUT_SIZE, -1, N_COLS, N_DIMS])
            non_empty_frames_idxs = tf.reshape(non_empty_frames_idxs, [INPUT_SIZE, -1])

            # Mean Pool
            data = tf.experimental.numpy.nanmean(data, axis=1)
            non_empty_frames_idxs = tf.experimental.numpy.nanmean(non_empty_frames_idxs, axis=1)

            # Fill NaN Values With 0
            data = tf.where(tf.math.is_nan(data), 0.0, data)
            
            return data, non_empty_frames_idxs
    
preprocess_layer = PreprocessLayer()

这段代码是一个 TensorFlow Keras 自定义层，命名为 PreprocessLayer。它用于对输入数据进行预处理，包括对手部关键点数据进行处理、填充和归一化等操作。

该层的主要功能包括：

初始化操作：在 __init__ 方法中，通过调用父类 tf.keras.layers.Layer 的 __init__ 方法进行初始化，并定义了一个名为 normalisation_correction 的常量张量，并将其转置存储在 self.normalisation_correction 中。

pad_edge 方法：用于在输入数据的边缘填充数据，根据指定的填充方向（‘LEFT’ 或 ‘RIGHT’）和填充的重复次数。

call 方法：通过使用 @tf.function 装饰器，定义了一个计算图（Graph）的操作，用于对输入数据进行处理。具体步骤如下：

• 获取输入数据的第一个维度（帧数）并存储在 N_FRAMES0 变量中。

• 判断左手或右手哪只手是主导手，并根据主导手的结果，计算每一帧中手部关键点非 NaN（非空）值的和，并存储在 left_hand_sum 和 right_hand_sum 中。

• 根据主导手的结果，计算每一帧中主导手的手部关键点非 NaN（非空）值的和，并存储在 frames_hands_non_nan_sum 中。

• 根据 frames_hands_non_nan_sum 中的结果，找到非空帧的索引，并存储在 non_empty_frames_idxs 中。

• 根据 non_empty_frames_idxs 过滤输入数据，并进行一系列归一化和填充操作，最终返回处理后的数据和填充后的帧索引。

总体而言，PreprocessLayer 自定义层主要用于对输入数据进行预处理，包括对手部关键点数据的处理、填充和归一化等操作，以满足后续模型的输入要求。

Interpolate NaN Values（插值）

Interpolate NaN Values是指使用插值法填充数据中的NaN值。NaN是计算机科学中数值数据类型的一类值，表示未定义或不可表示的值。NaN是Not a Number的缩写，理解为不是一个数值。在计算机中，NaN通常用于表示无效的或未定义的操作结果，如0/0、∞-∞等1。

"""
    face: 0:468
    left_hand: 468:489
    pose: 489:522
    right_hand: 522:544
    从file_path get data
    第一行代码调用了load_relevant_data_subset函数，从文件路径中加载原始数据。
    第二行代码调用了preprocess_layer函数，该函数使用Tensorflow处理数据。
    最后返回处理后的数据。    
"""
def get_data(file_path):
    # Load Raw Data
    data = load_relevant_data_subset(file_path)
    # Process Data Using Tensorflow
    data = preprocess_layer(data)
    
    return data

MultiHeadAttention

Need to implement transformer from scratch as TFLite does not support the native TF implementation of MultiHeadAttention.由于TFLite（TensorFlow Lite，一种针对移动和嵌入式设备进行优化的TensorFlow版本）不支持TensorFlow原生的MultiHeadAttention层实现，因此需要从头开始实现Transformer模型（一种在自然语言处理任务中使用的神经网络架构），其中包括MultiHeadAttention层。由于MultiHeadAttention层是Transformer模型的关键组成部分，因此如果TFLite不支持其实现，则可能无法在TFLite中使用TensorFlow中预先存在的Transformer实现。因此，需要自己编写Transformer的实现代码，而不依赖于TensorFlow中的MultiHeadAttention层的实现。

其中：

• Encoder：输入是单词的Embedding，再加上位置编码，然后进入一个统一的结构，这个结构可以循环很多次（N次），也就是说有很多层（N层）。每一层又可以分成Attention层和全连接层，再额外加了一些处理，比如Skip Connection，做跳跃连接，然后还加了Normalization层。其实它本身的模型还是很简单的。
• Decoder：第一次输入是前缀信息，之后的就是上一次产出的Embedding，加入位置编码，然后进入一个可以重复很多次的模块。该模块可以分成三块来看，第一块也是Attention层，第二块是cross Attention，不是Self-Attention，第三块是全连接层。也用了跳跃连接和Normalization。 输出：最后的输出要通过Linear层（全连接层），再通过softmax做预测。

Encoder部分是N个相同结构的堆叠，每个结构中又可以细分为如下结构：

1. 对输入 one-hot 编码的样本进行 embedding（词嵌入）
2. 加入位置编码
3. 引入多头机制的 Self-Attention
4. 将 self-attention 的输入和输出相加（残差网络结构）
5. Layer Normalization（层标准化），对所有时刻的数据进行标准化
6. 前馈型神经网络（Feedforword）结构
7. 将 Feedforword 的输入和输出相加（残差网络结构）
8. Layer Normalization，对所有时刻的数据进行标准化
9. 重复N层3-8的结构

Decoder部分同样也是N个相同结构的堆叠，每个结构中又可以细分为如下结构：

1. 对输入 one-hot 编码的样本进行 embedding（词嵌入）
2. 加入位置编码
3. 引入多头机制的 Self-Attention
4. 将 self-attention 的输入和输出相加（残差网络结构）
5. Layer Normalization（层标准化）
6. 对所有时刻的数据进行标准化将上一步得到的只作为value，并和编码器端得到 q和k进行Self-Attenton
7. 将 self-attention 的输入和输出相加（残差网络结构）
8. Layer Normalization（层标准化），对所有时刻的数据进行标准化
9. 前馈型神经网络（Feedforword） 结构
10. 将 Feedforword 的输入和输出相加（残差网络结构）
11. Layer Normalization，对所有时刻的数据进行标准化
12. 重复N层3-11的结构

#scaled dot-product attention是Transformer模型中的一种Attention机制，它是一种计算Attention权重的方法。
#在这种方法中，Query和Key的点积被除以一个缩放因子，然后通过softmax函数进行归一化处理，最后与Value相乘得到Attention输出
def scaled_dot_product(q,k,v, softmax, attention_mask):
    #calculates Q . K(transpose)
    qkt = tf.matmul(q,k,transpose_b=True)
    #caculates scaling factor
    dk = tf.math.sqrt(tf.cast(q.shape[-1],dtype=tf.float32))
    scaled_qkt = qkt/dk
    softmax = softmax(scaled_qkt, mask=attention_mask)
    
    z = tf.matmul(softmax,v)
    #shape: (m,Tx,depth), same shape as q,k,v
    return z

class MultiHeadAttention(tf.keras.layers.Layer):
    def __init__(self,d_model,num_of_heads):
        super(MultiHeadAttention,self).__init__()
        self.d_model = d_model
        self.num_of_heads = num_of_heads
        self.depth = d_model//num_of_heads
        self.wq = [tf.keras.layers.Dense(self.depth) for i in range(num_of_heads)]
        self.wk = [tf.keras.layers.Dense(self.depth) for i in range(num_of_heads)]
        self.wv = [tf.keras.layers.Dense(self.depth) for i in range(num_of_heads)]
        self.wo = tf.keras.layers.Dense(d_model)
        self.softmax = tf.keras.layers.Softmax()
        
    def call(self,x, attention_mask):
        
        multi_attn = []
        for i in range(self.num_of_heads):
            Q = self.wq[i](x)
            K = self.wk[i](x)
            V = self.wv[i](x)
            multi_attn.append(scaled_dot_product(Q,K,V, self.softmax, attention_mask))
            
        multi_head = tf.concat(multi_attn,axis=-1)
        multi_head_attention = self.wo(multi_head)
        return multi_head_attention

这段代码是一个MultiHeadAttention的实现。它将输入张量x分别通过多个Dense层进行线性变换，然后将变换后的张量分别作为Q,K,V传入scaled_dot_product函数中，计算出多头注意力机制的输出。最后将多头注意力机制的输出拼接起来，再通过一个Dense层进行线性变换，得到最终的输出multi_head_attention。scaled_dot_product函数是计算Q.K^T的函数，其中Q,K,V分别为query,key,value矩阵，attention_mask是用于掩码的张量。softmax函数是用于计算softmax值的函数。

transformer

# Full Transformer
class Transformer(tf.keras.Model):
    def __init__(self, num_blocks):
        super(Transformer, self).__init__(name='transformer')
        self.num_blocks = num_blocks
    
    def build(self, input_shape):
        self.ln_1s = []
        self.mhas = []
        self.ln_2s = []
        self.mlps = []
        # Make Transformer Blocks
        for i in range(self.num_blocks):
            # Multi Head Attention
            self.mhas.append(MultiHeadAttention(UNITS, 8))
            # Multi Layer Perception
            self.mlps.append(tf.keras.Sequential([
                tf.keras.layers.Dense(UNITS * MLP_RATIO, activation=GELU, kernel_initializer=INIT_GLOROT_UNIFORM),
                tf.keras.layers.Dropout(MLP_DROPOUT_RATIO),
                tf.keras.layers.Dense(UNITS, kernel_initializer=INIT_HE_UNIFORM),
            ]))
        
    def call(self, x, attention_mask):
        # Iterate input over transformer blocks
        for mha, mlp in zip(self.mhas, self.mlps):
            x = x + mha(x, attention_mask)
            x = x + mlp(x)
    
        return x

Landmark Embedding

关键点嵌入，其中"Landmark"表示人脸的关键点，"Embedding"表示将这些关键点信息映射到低维向量空间的过程。因此，“Landmark Embedding"的中文意思可以理解为"将人脸关键点信息嵌入到低维向量空间中”。

Landmark Embedding是一种将人脸关键点信息转换为低维向量表示的方法。在人脸识别和人脸表情识别等任务中，Landmark Embedding通常用于提取人脸特征表示。

具体来说，Landmark Embedding通过对人脸图像中的关键点坐标进行处理，将其映射到一个低维空间中的向量表示。这个向量表示可以包含关于人脸形状、姿态和表情等信息，可以用于比较不同人脸之间的相似性或差异性。相比于直接使用像素信息或高维特征向量表示，Landmark Embedding可以提高人脸识别和表情识别的准确度和鲁棒性。

class LandmarkEmbedding(tf.keras.Model):
    def __init__(self, units, name):
        super(LandmarkEmbedding, self).__init__(name=f'{name}_embedding')
        self.units = units
        
    def build(self, input_shape):
        # Embedding for missing landmark in frame, initizlied with zeros
        self.empty_embedding = self.add_weight(
            name=f'{self.name}_empty_embedding',
            shape=[self.units],
            initializer=INIT_ZEROS,
        )
        # Embedding
        self.dense = tf.keras.Sequential([
            tf.keras.layers.Dense(self.units, name=f'{self.name}_dense_1', use_bias=False, kernel_initializer=INIT_GLOROT_UNIFORM),
            tf.keras.layers.Activation(GELU),
            tf.keras.layers.Dense(self.units, name=f'{self.name}_dense_2', use_bias=False, kernel_initializer=INIT_HE_UNIFORM),
        ], name=f'{self.name}_dense')

    def call(self, x):
        return tf.where(
                # Checks whether landmark is missing in frame
                tf.reduce_sum(x, axis=2, keepdims=True) == 0,
                # If so, the empty embedding is used
                self.empty_embedding,
                # Otherwise the landmark data is embedded
                self.dense(x),
            )

train后

train这里回归了常规操作，没上面做特征工程以及建模那么需要业务，还是三板斧，就不再展示代码，这里直接贴出一些训练后的参数可视化，首先可视化一下整个模型构建：

tf.keras.utils.plot_model(model, show_shapes=True, show_dtype=True, show_layer_names=True, expand_nested=True, show_layer_activations=True)

以及学习率，我这里是以60 epochs算的：

以及画出训练曲线图：

最后，给大家表演一个后空翻

ጿ ኈ ቼ ዽ ጿ ኈ ቼ ዽ ጿ ኈ ቼ ዽ ጿ ኈ ቼ ዽ ጿ ኈ ቼ

(￣▽￣) ~*(￣▽￣)／

公开的各种trick

因为前面感觉篇幅过长，而且前排方案很多冗余了，这里就大致举几个我觉得对我很有启发的，不会跟之前那篇rsna一样介绍得那么详细，毕竟也不会真有人说照着我这个trick复现。那肯定看更详细的notebook了。

44th方案

为啥介绍44th，是因为该方案就是完全照着我上面的best public来的，它主要修改的地方在于：

• Train 1 model => Train 4 models
• Add Time Scale augmentation
• Ensemble and apply TFLite FP16 quantization
• Change the following parameters:
• INPUT_SIZE, 64 => 12
• BATCH_ALL_SIGNS_N, 4 => 1
• N_EPOCHS, 250 => 120
• LANDMARK_UNITS, 384 => 224
• UNITS, 512 => 376
• NUM_BLOCKS, 2 => 3
• MLP_RATIO, 4 => 3
• MLP_DROPOUT_RATIO, 0.40 => 0.30
• remove random frame masking

哎，除了前两个我没想到外，其它基本都想到了，不过就是搞错了方向，它这开始250 epochs跑过来，差不多90就已经接近acc为0了，即使是去做数据增强，以及一些batch_size的改变，我感觉过拟合严重，外加4 fold，那更是跑得离谱，但事实上手势没有那么多过拟合，毕竟看下面的1th就知道了。

1th方案

1th方案对当前transformer和1d CNN做了一下探讨，就是用一维的cnn去训练模型，结果效果要比单纯transformer的更好，加上一些cnn的策略，比如说AWP等等，我现在发现也好理解，其实手势这东西虽然可以考虑三维，但是本质上就是点和线，可以看成一维的。那CNN跑得又快，当然可能会效果好些，但最终的方案还是在CNN后加入了transformer，这里作者的解释是一维 CNN 模型采用深度卷积和因果填充。transformer使用 BatchNorm + Swish 代替典型的 LayerNorm + GELU，这是微调后的结果，那CNN的代码为：

def get_model(max_len=64, dropout_step=0, dim=192):
    inp = tf.keras.Input((max_len,CHANNELS))
    x = tf.keras.layers.Masking(mask_value=PAD,input_shape=(max_len,CHANNELS))(inp)
    ksize = 17
    x = tf.keras.layers.Dense(dim, use_bias=False,name='stem_conv')(x)
    x = tf.keras.layers.BatchNormalization(momentum=0.95,name='stem_bn')(x)

    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = TransformerBlock(dim,expand=2)(x)

    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
    x = TransformerBlock(dim,expand=2)(x)
	
    if dim == 384: #for the 4x sized model
        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = TransformerBlock(dim,expand=2)(x)

        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = Conv1DBlock(dim,ksize,drop_rate=0.2)(x)
        x = TransformerBlock(dim,expand=2)(x)

    x = tf.keras.layers.Dense(dim*2,activation=None,name='top_conv')(x)
    x = tf.keras.layers.GlobalAveragePooling1D()(x)
    x = LateDropout(0.8, start_step=dropout_step)(x)
    x = tf.keras.layers.Dense(NUM_CLASSES,name='classifier')(x)
    return tf.keras.Model(inp, x)

4th方案

到这里，其实前排方案基本最终都是以 1D CNN为主，第四方案还画了个流程图，我觉得挺强的：

那其它就不再介绍了，这次比赛真的也还是挺遗憾的，希望之后有个好结果。