使用paddlepaddle复现representation_flow
本博客记录了百度特别推出的全球顶会深度学习论文复现营中representation_flow复现的过程及心得。
复现过程：
1.阅读论文（本博客主要记录与复现相关的内容，详细的论文内容后期会出相应博客）：
论文的核心网络rep_flow_layer：
这是本篇论文的灵魂，理解该网络的推理过程需要结合光流TV_L1的数学公式，但在复现过程中我们可以借鉴作者的源码，因此不需要花太多精力进行这部分的复现。
主要网络结构flow_2d_resnets(复现要求2d):
作者的实验结果，这部分很重要，不仔细读很容易在复现过程中走弯路，以下是几个复现过程中比较重要的实验结果：
效果最好的是加载block3后面
FCF的网络结构效果最优，复现过程中可直接使用这种结构
最终的验收标准77.2
2.代码部分：
pytorch
paddlepaddle:待开源
3.趟过的坑
（1）论文主要实验结果应该都是使用224的图片尺寸得出的，但在作者源码上均是112的，这部分不改的话很难达到作者的精度。
（2）前期的训练效果与作者相差过大，主要是没看到作者最佳结果是使用FCF得来的
（3）数据增强，虽然作者源码只使用了一种数据增强（随机裁剪），但是我们可以尝试添加一些其他的数据增强方法（很容易爆内存）