通过根据每一个decoding time step的概率分布进行采样获得，是baseline output，通过最大化每一个decoding time step的概率分布输出获得，也就是a greedy search。论文里提到，利用CIDEr metric作为reward function，效果最好。
4、根据视频帧图片的标签，对视频打标签。具体有两种思路：
记录视频提取的所有帧图片中每一个出现的标签，以及标签出现的次数（有多少帧图片
被打上了这个标签）。按照出现次数排序。
1.将帧图片的最多前n个标签，输出为视频标签。
2.将帧图片中，出现次数大于阈值c的标签，，输出为视频标签。
数据示例：
其中1class表示一级类别，2class表示二级类别。
实验结果示例：
截取一些实验结果展示如下，其中output指模型输出的结果，reference指人工标定的参考结果。
总的来说，游戏类视频的数据量最大，效果较好；但具体不同英雄的视频数据如果不平衡，也会影响算法结果。其他类型视频数据不算太稀疏的效果也不错，长尾视频的效果不行。
总结：
数据预处理、模型结构、损失函数、优化方法等各方面，都还有很多值得根据视频打标签应用的实际情况进行调整的地方。后续再不断优化。方法和实验都还粗糙，希望大家多批评指导。