代码结构

dataloaders文件夹：视频数据集解析及读取
network文件夹：C3D模型，包括未压缩的C3D模型、分块循环矩阵+全频域+INT8量化感知训练的C3D模型
mypath.py：数据集路径，修改output_dir为视频数据集的路径
inference.py：推理测试(未测试)
utils.py：学习率调整函数
train.py：训练代码

使用说明

训练时，通过
--nEpochs指定训练时的迭代轮数
--lr指定学习率
--batch_size指定批处理大小
--dataset指定数据集，目前仅支持ucf101和hmdb51两个数据集
--num_workers指定线程数
--weight_decay指定权重衰减系数
--model_type指定模型类型，norm表示未压缩的C3D模型,qspectralcir表示循环矩阵+全频域+INT8量化感知训练优化后的C3D模型
--block_size表示循环矩阵分块大小，以此调节压缩比(可以为1,2,4,8,16等2的幂)

这里
频域算子采用的是CReLU、CBN和CMaxpooling:分别在实部和虚部作用ReLU、BN、Maxpooling即可。
INT8量化感知训练采用的是有符号对称量化，量化后的范围为[-127,127],实部虚部分别量化，激活和权重分别量化，采用各自独立的量化伸缩因子，具体可以参考谷歌的INT8量化感知训练。

实验记录

训练参数:

nEpochs=200, lr=0.01, batch_size=64, dataset=ucf101, weight_decay=5e-4, model_type=norm(即原始的未压缩的C3D模型), block_size=1。

精度:

95.507%

训练参数

nEpochs=300(考虑到压缩后的网络收敛更慢，因此训练300个epochs), lr=0.01, batch_size=64, dataset=ucf101, weight_decay=1e-4, model_type=qspectralcir(循环矩阵+全频域+INT8量化感知训练优化后的C3D模型), block_size=8。

精度:

94.257%

结论

接近32x的压缩比(8x来自分块循环矩阵压缩，4x来自INT8量化),且压缩后的网络结构十分规整，而精度损失仅为1.25%。