print(torch.cuda.is_available())# 能否调用cuda Ture/False。print(torch.__version__)# torch版本。anaconda -V（注意a要小写，V要大写）；conda -V ,显示版本信息。1.安装anaconda。3.安装pytorch。

②卷积神经网络（CNN）或循环神经网络（RNN）来学习视频的时空特征，并进行视频事件的表示和分类,基于重构，基于预测。分类：单分类（单分类器）、多分类（自编码器的特征向量来表示全局特征，再将特征送入高斯 分类器进行二分类异常检测）⑥IITB-Corridor：数据多，回归+弱监督（视频级别、视频片段级别），目前使用少，异常数量、种类多。①②依赖特征、适合异常少的视频、使用于视频少的数据集，检测+定

是：（１） 样本不平衡性（２）类内差异显著，异常视频不仅少见而且复 杂，异常事件差异大，很难罗列出所有的异常事件。：无监督：大多数模型仍然依赖于人工标注等先验信息，仍需要人工干预的条件下进行，另外，在基准数据集方面，大部分的数据集仍是小规模的监控 视频数据集，异常种类单一，应用场景有一定的局限性。：异常事件定义具有场景依赖性、异常事件的稀少性、异常样本的不确定性（特征、原因等）及视频信息的多样性。

③本文在特征层面通过Transformer进行运动模式挖掘，提升了异常检测的性能，并进行了可视化分析+收集了针对异常分析的室内动作数据集+(针对周期性的近景手部动作)除了传统的重建损失外，本文进一步引入动态图约束引导网络关注运动轨迹区域。通过计算每一个位置与其他位置之间的相关性，得出每一个位置相对于所有位置的权重，这个权重用来加权求和。卷积自编码器网络的特征提取能力有限，难以处理复杂场景的各种异常

首先，提出了一种新的变分正态推理(VNI)模块，用于在条件变分自编码器(CVAE)框架中进行图像重构，该框架学习概率决策模型而不是传统的确定性决策模型。1.问题：大多数现有方法的视觉表征受到短期观察序列的限制，不能为实现合理的检测提供足够的线索。现有方法在 UCF-crime 和 DOTA 数据集上的 AUC 普遍较低，可能是因为这些数据集的场景相对复杂，变化和噪声较多。异常事件的及时定位也是未来