Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

Podpisy obrazów z uwagą wizualną

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Mając obraz taki jak w poniższym przykładzie, Twoim celem jest wygenerowanie napisu, takiego jak „surfer jadący na fali”.

Mężczyzna surfujący

Źródło obrazu ; Licencja: domena publiczna

Aby to osiągnąć, użyjesz modelu opartego na uwadze, który pozwoli nam zobaczyć, na jakich częściach obrazu skupia się model podczas generowania podpisu.

Przepowiednia

Architektura modelu jest podobna do Show, Attend and Tell: Neural Image Caption Generation with Visual Attention .

Ten notatnik jest kompletnym przykładem. Po uruchomieniu notebooka pobiera zestaw danych MS-COCO , wstępnie przetwarza i buforuje podzbiór obrazów przy użyciu Incepcji V3, trenuje model kodera-dekodera i generuje podpisy do nowych obrazów przy użyciu wytrenowanego modelu.

W tym przykładzie wytrenujesz model na stosunkowo niewielkiej ilości danych — pierwszych 30 000 podpisów dla około 20 000 obrazów (ponieważ w zestawie danych jest wiele podpisów na obraz).

import tensorflow as tf

# You'll generate plots of attention in order to see which parts of an image
# your model focuses on during captioning
import matplotlib.pyplot as plt

import collections
import random
import numpy as np
import os
import time
import json
from PIL import Image

Pobierz i przygotuj zbiór danych MS-COCO

Do trenowania modelu użyjesz zestawu danych MS-COCO . Zbiór danych zawiera ponad 82 000 obrazów, z których każdy ma co najmniej 5 różnych adnotacji podpisów. Poniższy kod automatycznie pobiera i wyodrębnia zestaw danych.

# Download caption annotation files
annotation_folder = '/annotations/'
if not os.path.exists(os.path.abspath('.') + annotation_folder):
  annotation_zip = tf.keras.utils.get_file('captions.zip',
                                           cache_subdir=os.path.abspath('.'),
                                           origin='http://images.cocodataset.org/annotations/annotations_trainval2014.zip',
                                           extract=True)
  annotation_file = os.path.dirname(annotation_zip)+'/annotations/captions_train2014.json'
  os.remove(annotation_zip)

# Download image files
image_folder = '/train2014/'
if not os.path.exists(os.path.abspath('.') + image_folder):
  image_zip = tf.keras.utils.get_file('train2014.zip',
                                      cache_subdir=os.path.abspath('.'),
                                      origin='http://images.cocodataset.org/zips/train2014.zip',
                                      extract=True)
  PATH = os.path.dirname(image_zip) + image_folder
  os.remove(image_zip)
else:
  PATH = os.path.abspath('.') + image_folder
Downloading data from http://images.cocodataset.org/annotations/annotations_trainval2014.zip
252878848/252872794 [==============================] - 16s 0us/step
252887040/252872794 [==============================] - 16s 0us/step
Downloading data from http://images.cocodataset.org/zips/train2014.zip
13510574080/13510573713 [==============================] - 823s 0us/step
13510582272/13510573713 [==============================] - 823s 0us/step

Opcjonalnie: ogranicz rozmiar zestawu treningowego

Aby przyspieszyć szkolenie w tym samouczku, do trenowania modelu użyjesz podzbioru 30 000 podpisów i odpowiadających im obrazów. Wybór użycia większej ilości danych poprawiłby jakość napisów.

with open(annotation_file, 'r') as f:
    annotations = json.load(f)
# Group all captions together having the same image ID.
image_path_to_caption = collections.defaultdict(list)
for val in annotations['annotations']:
  caption = f"<start> {val['caption']} <end>"
  image_path = PATH + 'COCO_train2014_' + '%012d.jpg' % (val['image_id'])
  image_path_to_caption[image_path].append(caption)
image_paths = list(image_path_to_caption.keys())
random.shuffle(image_paths)

# Select the first 6000 image_paths from the shuffled set.
# Approximately each image id has 5 captions associated with it, so that will
# lead to 30,000 examples.
train_image_paths = image_paths[:6000]
print(len(train_image_paths))
6000
train_captions = []
img_name_vector = []

for image_path in train_image_paths:
  caption_list = image_path_to_caption[image_path]
  train_captions.extend(caption_list)
  img_name_vector.extend([image_path] * len(caption_list))
print(train_captions[0])
Image.open(img_name_vector[0])
<start> A baseball team congratulate each other on the field. <end>

png

Wstępnie przetwórz obrazy za pomocą InceptionV3

Następnie użyjesz InceptionV3 (który jest wstępnie wytrenowany w Imagenet) do sklasyfikowania każdego obrazu. Wydobędziesz cechy z ostatniej warstwy splotowej.

Najpierw przekonwertujesz obrazy do formatu oczekiwanego przez InceptionV3:

  • Zmiana rozmiaru obrazu do 299 na 299 pikseli
  • Wstępnie przetwórz obrazy przy użyciu metody preprocess_input , aby znormalizować obraz tak, aby zawierał piksele z zakresu od -1 do 1, co odpowiada formatowi obrazów używanych do uczenia InceptionV3.
def load_image(image_path):
    img = tf.io.read_file(image_path)
    img = tf.io.decode_jpeg(img, channels=3)
    img = tf.keras.layers.Resizing(299, 299)(img)
    img = tf.keras.applications.inception_v3.preprocess_input(img)
    return img, image_path

Zainicjuj InceptionV3 i załaduj wstępnie wytrenowane wagi Imagenet

Teraz utworzysz model tf.keras, w którym warstwa wyjściowa jest ostatnią warstwą splotową w architekturze InceptionV3. Kształt wyjścia tej warstwy to 8x8x2048 . Używasz ostatniej warstwy splotowej, ponieważ w tym przykładzie używasz uwagi. Nie wykonujesz tej inicjalizacji podczas treningu, ponieważ może to stać się wąskim gardłem.

  • Przesyłasz każdy obraz przez sieć i przechowujesz wynikowy wektor w słowniku (nazwa_obrazu --> wektor_funkcji).
  • Po przejściu wszystkich obrazów przez sieć, słownik zapisujesz na dysku.
image_model = tf.keras.applications.InceptionV3(include_top=False,
                                                weights='imagenet')
new_input = image_model.input
hidden_layer = image_model.layers[-1].output

image_features_extract_model = tf.keras.Model(new_input, hidden_layer)
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/inception_v3/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
87916544/87910968 [==============================] - 2s 0us/step
87924736/87910968 [==============================] - 2s 0us/step

Buforowanie funkcji wyodrębnionych z InceptionV3

Każdy obraz zostanie wstępnie przetworzony za pomocą InceptionV3 i buforowany wynik na dysku. Buforowanie danych wyjściowych w pamięci RAM byłoby szybsze, ale również wymagałoby dużej ilości pamięci, wymagając 8 * 8 * 2048 pływaków na obraz. W momencie pisania tego tekstu przekracza to ograniczenia pamięci Colab (obecnie 12 GB pamięci).

Wydajność można poprawić, stosując bardziej wyrafinowaną strategię buforowania (na przykład przez shardowanie obrazów w celu zmniejszenia liczby operacji we/wy dysku o dostępie swobodnym), ale wymagałoby to więcej kodu.

Buforowanie potrwa około 10 minut w Colab z GPU. Jeśli chcesz zobaczyć pasek postępu, możesz:

  1. Zainstaluj tqdm :

    !pip install tqdm

  2. Importuj tqdm:

    from tqdm import tqdm

  3. Zmień następujący wiersz:

    for img, path in image_dataset:

    do:

    for img, path in tqdm(image_dataset):

# Get unique images
encode_train = sorted(set(img_name_vector))

# Feel free to change batch_size according to your system configuration
image_dataset = tf.data.Dataset.from_tensor_slices(encode_train)
image_dataset = image_dataset.map(
  load_image, num_parallel_calls=tf.data.AUTOTUNE).batch(16)

for img, path in image_dataset:
  batch_features = image_features_extract_model(img)
  batch_features = tf.reshape(batch_features,
                              (batch_features.shape[0], -1, batch_features.shape[3]))

  for bf, p in zip(batch_features, path):
    path_of_feature = p.numpy().decode("utf-8")
    np.save(path_of_feature, bf.numpy())

Wstępne przetwarzanie i tokenizacja podpisów

Przekształcisz podpisy tekstowe w sekwencje liczb całkowitych za pomocą warstwy TextVectorization , wykonując następujące czynności:

  • Użyj dostosuj , aby przejść przez wszystkie podpisy, podzielić podpisy na słowa i obliczyć słownictwo z 5000 najpopularniejszych słów (aby zaoszczędzić pamięć).
  • Tokenizuj wszystkie podpisy, mapując każde słowo na jego indeks w słowniku. Wszystkie sekwencje wyjściowe zostaną dopełnione do długości 50.
  • Twórz mapowania słowo-do-indeks i indeks-do-słowo, aby wyświetlać wyniki.
caption_dataset = tf.data.Dataset.from_tensor_slices(train_captions)

# We will override the default standardization of TextVectorization to preserve
# "<>" characters, so we preserve the tokens for the <start> and <end>.
def standardize(inputs):
  inputs = tf.strings.lower(inputs)
  return tf.strings.regex_replace(inputs,
                                  r"!\"#$%&\(\)\*\+.,-/:;=?@\[\\\]^_`{|}~", "")

# Max word count for a caption.
max_length = 50
# Use the top 5000 words for a vocabulary.
vocabulary_size = 5000
tokenizer = tf.keras.layers.TextVectorization(
    max_tokens=vocabulary_size,
    standardize=standardize,
    output_sequence_length=max_length)
# Learn the vocabulary from the caption data.
tokenizer.adapt(caption_dataset)
# Create the tokenized vectors
cap_vector = caption_dataset.map(lambda x: tokenizer(x))
# Create mappings for words to indices and indicies to words.
word_to_index = tf.keras.layers.StringLookup(
    mask_token="",
    vocabulary=tokenizer.get_vocabulary())
index_to_word = tf.keras.layers.StringLookup(
    mask_token="",
    vocabulary=tokenizer.get_vocabulary(),
    invert=True)

Podziel dane na szkolenia i testy

img_to_cap_vector = collections.defaultdict(list)
for img, cap in zip(img_name_vector, cap_vector):
  img_to_cap_vector[img].append(cap)

# Create training and validation sets using an 80-20 split randomly.
img_keys = list(img_to_cap_vector.keys())
random.shuffle(img_keys)

slice_index = int(len(img_keys)*0.8)
img_name_train_keys, img_name_val_keys = img_keys[:slice_index], img_keys[slice_index:]

img_name_train = []
cap_train = []
for imgt in img_name_train_keys:
  capt_len = len(img_to_cap_vector[imgt])
  img_name_train.extend([imgt] * capt_len)
  cap_train.extend(img_to_cap_vector[imgt])

img_name_val = []
cap_val = []
for imgv in img_name_val_keys:
  capv_len = len(img_to_cap_vector[imgv])
  img_name_val.extend([imgv] * capv_len)
  cap_val.extend(img_to_cap_vector[imgv])
len(img_name_train), len(cap_train), len(img_name_val), len(cap_val)
(24013, 24013, 6002, 6002)

Utwórz zbiór danych tf.data do szkolenia

Twoje obrazy i podpisy są gotowe! Następnie utwórzmy zestaw danych tf.data , który będzie używany do uczenia modelu.

# Feel free to change these parameters according to your system's configuration

BATCH_SIZE = 64
BUFFER_SIZE = 1000
embedding_dim = 256
units = 512
num_steps = len(img_name_train) // BATCH_SIZE
# Shape of the vector extracted from InceptionV3 is (64, 2048)
# These two variables represent that vector shape
features_shape = 2048
attention_features_shape = 64
# Load the numpy files
def map_func(img_name, cap):
  img_tensor = np.load(img_name.decode('utf-8')+'.npy')
  return img_tensor, cap
dataset = tf.data.Dataset.from_tensor_slices((img_name_train, cap_train))

# Use map to load the numpy files in parallel
dataset = dataset.map(lambda item1, item2: tf.numpy_function(
          map_func, [item1, item2], [tf.float32, tf.int64]),
          num_parallel_calls=tf.data.AUTOTUNE)

# Shuffle and batch
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
dataset = dataset.prefetch(buffer_size=tf.data.AUTOTUNE)

Model

Ciekawostka: poniższy dekoder jest identyczny z tym w przykładzie Neural Machine Translation with Attention .

Architektura modelu jest inspirowana artykułem Show, Attend and Tell .

  • W tym przykładzie wyodrębniasz cechy z dolnej warstwy splotowej InceptionV3, dając nam wektor kształtu (8, 8, 2048).
  • Zgniatasz to do kształtu (64, 2048).
  • Ten wektor jest następnie przepuszczany przez koder CNN (który składa się z jednej w pełni połączonej warstwy).
  • RNN (tutaj GRU) zajmuje się obrazem, aby przewidzieć następne słowo.
class BahdanauAttention(tf.keras.Model):
  def __init__(self, units):
    super(BahdanauAttention, self).__init__()
    self.W1 = tf.keras.layers.Dense(units)
    self.W2 = tf.keras.layers.Dense(units)
    self.V = tf.keras.layers.Dense(1)

  def call(self, features, hidden):
    # features(CNN_encoder output) shape == (batch_size, 64, embedding_dim)

    # hidden shape == (batch_size, hidden_size)
    # hidden_with_time_axis shape == (batch_size, 1, hidden_size)
    hidden_with_time_axis = tf.expand_dims(hidden, 1)

    # attention_hidden_layer shape == (batch_size, 64, units)
    attention_hidden_layer = (tf.nn.tanh(self.W1(features) +
                                         self.W2(hidden_with_time_axis)))

    # score shape == (batch_size, 64, 1)
    # This gives you an unnormalized score for each image feature.
    score = self.V(attention_hidden_layer)

    # attention_weights shape == (batch_size, 64, 1)
    attention_weights = tf.nn.softmax(score, axis=1)

    # context_vector shape after sum == (batch_size, hidden_size)
    context_vector = attention_weights * features
    context_vector = tf.reduce_sum(context_vector, axis=1)

    return context_vector, attention_weights
class CNN_Encoder(tf.keras.Model):
    # Since you have already extracted the features and dumped it
    # This encoder passes those features through a Fully connected layer
    def __init__(self, embedding_dim):
        super(CNN_Encoder, self).__init__()
        # shape after fc == (batch_size, 64, embedding_dim)
        self.fc = tf.keras.layers.Dense(embedding_dim)

    def call(self, x):
        x = self.fc(x)
        x = tf.nn.relu(x)
        return x
class RNN_Decoder(tf.keras.Model):
  def __init__(self, embedding_dim, units, vocab_size):
    super(RNN_Decoder, self).__init__()
    self.units = units

    self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
    self.gru = tf.keras.layers.GRU(self.units,
                                   return_sequences=True,
                                   return_state=True,
                                   recurrent_initializer='glorot_uniform')
    self.fc1 = tf.keras.layers.Dense(self.units)
    self.fc2 = tf.keras.layers.Dense(vocab_size)

    self.attention = BahdanauAttention(self.units)

  def call(self, x, features, hidden):
    # defining attention as a separate model
    context_vector, attention_weights = self.attention(features, hidden)

    # x shape after passing through embedding == (batch_size, 1, embedding_dim)
    x = self.embedding(x)

    # x shape after concatenation == (batch_size, 1, embedding_dim + hidden_size)
    x = tf.concat([tf.expand_dims(context_vector, 1), x], axis=-1)

    # passing the concatenated vector to the GRU
    output, state = self.gru(x)

    # shape == (batch_size, max_length, hidden_size)
    x = self.fc1(output)

    # x shape == (batch_size * max_length, hidden_size)
    x = tf.reshape(x, (-1, x.shape[2]))

    # output shape == (batch_size * max_length, vocab)
    x = self.fc2(x)

    return x, state, attention_weights

  def reset_state(self, batch_size):
    return tf.zeros((batch_size, self.units))
encoder = CNN_Encoder(embedding_dim)
decoder = RNN_Decoder(embedding_dim, units, tokenizer.vocabulary_size())
optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=True, reduction='none')


def loss_function(real, pred):
  mask = tf.math.logical_not(tf.math.equal(real, 0))
  loss_ = loss_object(real, pred)

  mask = tf.cast(mask, dtype=loss_.dtype)
  loss_ *= mask

  return tf.reduce_mean(loss_)

Punkt kontrolny

checkpoint_path = "./checkpoints/train"
ckpt = tf.train.Checkpoint(encoder=encoder,
                           decoder=decoder,
                           optimizer=optimizer)
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)
start_epoch = 0
if ckpt_manager.latest_checkpoint:
  start_epoch = int(ckpt_manager.latest_checkpoint.split('-')[-1])
  # restoring the latest checkpoint in checkpoint_path
  ckpt.restore(ckpt_manager.latest_checkpoint)

Trening

  • Wyodrębniasz funkcje przechowywane w odpowiednich plikach .npy , a następnie przekazujesz je przez koder.
  • Wyjście kodera, stan ukryty (zainicjowany na 0) i wejście dekodera (które jest tokenem startowym) są przekazywane do dekodera.
  • Dekoder zwraca prognozy i stan ukryty dekodera.
  • Stan ukryty dekodera jest następnie przekazywany z powrotem do modelu, a przewidywania są wykorzystywane do obliczenia straty.
  • Użyj wymuszeń nauczyciela, aby zdecydować o kolejnym wejściu do dekodera.
  • Wymuszanie nauczyciela to technika, w której słowo docelowe jest przekazywane jako następne wejście do dekodera.
  • Ostatnim krokiem jest obliczenie gradientów i zastosowanie ich do optymalizatora i wstecznej propagacji.
# adding this in a separate cell because if you run the training cell
# many times, the loss_plot array will be reset
loss_plot = []
@tf.function
def train_step(img_tensor, target):
  loss = 0

  # initializing the hidden state for each batch
  # because the captions are not related from image to image
  hidden = decoder.reset_state(batch_size=target.shape[0])

  dec_input = tf.expand_dims([word_to_index('<start>')] * target.shape[0], 1)

  with tf.GradientTape() as tape:
      features = encoder(img_tensor)

      for i in range(1, target.shape[1]):
          # passing the features through the decoder
          predictions, hidden, _ = decoder(dec_input, features, hidden)

          loss += loss_function(target[:, i], predictions)

          # using teacher forcing
          dec_input = tf.expand_dims(target[:, i], 1)

  total_loss = (loss / int(target.shape[1]))

  trainable_variables = encoder.trainable_variables + decoder.trainable_variables

  gradients = tape.gradient(loss, trainable_variables)

  optimizer.apply_gradients(zip(gradients, trainable_variables))

  return loss, total_loss
EPOCHS = 20

for epoch in range(start_epoch, EPOCHS):
    start = time.time()
    total_loss = 0

    for (batch, (img_tensor, target)) in enumerate(dataset):
        batch_loss, t_loss = train_step(img_tensor, target)
        total_loss += t_loss

        if batch % 100 == 0:
            average_batch_loss = batch_loss.numpy()/int(target.shape[1])
            print(f'Epoch {epoch+1} Batch {batch} Loss {average_batch_loss:.4f}')
    # storing the epoch end loss value to plot later
    loss_plot.append(total_loss / num_steps)

    if epoch % 5 == 0:
      ckpt_manager.save()

    print(f'Epoch {epoch+1} Loss {total_loss/num_steps:.6f}')
    print(f'Time taken for 1 epoch {time.time()-start:.2f} sec\n')
Epoch 1 Batch 0 Loss 1.8456
Epoch 1 Batch 100 Loss 1.0777
Epoch 1 Batch 200 Loss 0.9622
Epoch 1 Batch 300 Loss 0.8434
Epoch 1 Loss 1.014586
Time taken for 1 epoch 138.65 sec

Epoch 2 Batch 0 Loss 0.8335
Epoch 2 Batch 100 Loss 0.8837
Epoch 2 Batch 200 Loss 0.7463
Epoch 2 Batch 300 Loss 0.7511
Epoch 2 Loss 0.777150
Time taken for 1 epoch 44.74 sec

Epoch 3 Batch 0 Loss 0.7390
Epoch 3 Batch 100 Loss 0.7585
Epoch 3 Batch 200 Loss 0.6950
Epoch 3 Batch 300 Loss 0.7005
Epoch 3 Loss 0.701813
Time taken for 1 epoch 44.45 sec

Epoch 4 Batch 0 Loss 0.6982
Epoch 4 Batch 100 Loss 0.6722
Epoch 4 Batch 200 Loss 0.6755
Epoch 4 Batch 300 Loss 0.6401
Epoch 4 Loss 0.653093
Time taken for 1 epoch 44.19 sec

Epoch 5 Batch 0 Loss 0.6415
Epoch 5 Batch 100 Loss 0.6135
Epoch 5 Batch 200 Loss 0.5888
Epoch 5 Batch 300 Loss 0.5981
Epoch 5 Loss 0.615233
Time taken for 1 epoch 45.75 sec

Epoch 6 Batch 0 Loss 0.6065
Epoch 6 Batch 100 Loss 0.6230
Epoch 6 Batch 200 Loss 0.5508
Epoch 6 Batch 300 Loss 0.5959
Epoch 6 Loss 0.581023
Time taken for 1 epoch 47.52 sec

Epoch 7 Batch 0 Loss 0.6380
Epoch 7 Batch 100 Loss 0.5746
Epoch 7 Batch 200 Loss 0.5576
Epoch 7 Batch 300 Loss 0.5388
Epoch 7 Loss 0.551511
Time taken for 1 epoch 47.96 sec

Epoch 8 Batch 0 Loss 0.5271
Epoch 8 Batch 100 Loss 0.5487
Epoch 8 Batch 200 Loss 0.5278
Epoch 8 Batch 300 Loss 0.5051
Epoch 8 Loss 0.523634
Time taken for 1 epoch 48.34 sec

Epoch 9 Batch 0 Loss 0.5387
Epoch 9 Batch 100 Loss 0.5466
Epoch 9 Batch 200 Loss 0.5317
Epoch 9 Batch 300 Loss 0.5031
Epoch 9 Loss 0.495649
Time taken for 1 epoch 48.90 sec

Epoch 10 Batch 0 Loss 0.4812
Epoch 10 Batch 100 Loss 0.4890
Epoch 10 Batch 200 Loss 0.4800
Epoch 10 Batch 300 Loss 0.4306
Epoch 10 Loss 0.470460
Time taken for 1 epoch 47.05 sec

Epoch 11 Batch 0 Loss 0.4595
Epoch 11 Batch 100 Loss 0.5130
Epoch 11 Batch 200 Loss 0.4837
Epoch 11 Batch 300 Loss 0.4131
Epoch 11 Loss 0.445139
Time taken for 1 epoch 47.19 sec

Epoch 12 Batch 0 Loss 0.4641
Epoch 12 Batch 100 Loss 0.4102
Epoch 12 Batch 200 Loss 0.4096
Epoch 12 Batch 300 Loss 0.4063
Epoch 12 Loss 0.421503
Time taken for 1 epoch 45.00 sec

Epoch 13 Batch 0 Loss 0.4452
Epoch 13 Batch 100 Loss 0.4459
Epoch 13 Batch 200 Loss 0.4030
Epoch 13 Batch 300 Loss 0.3882
Epoch 13 Loss 0.400453
Time taken for 1 epoch 46.19 sec

Epoch 14 Batch 0 Loss 0.4027
Epoch 14 Batch 100 Loss 0.3852
Epoch 14 Batch 200 Loss 0.3856
Epoch 14 Batch 300 Loss 0.3698
Epoch 14 Loss 0.379271
Time taken for 1 epoch 45.01 sec

Epoch 15 Batch 0 Loss 0.4088
Epoch 15 Batch 100 Loss 0.4009
Epoch 15 Batch 200 Loss 0.3582
Epoch 15 Batch 300 Loss 0.3935
Epoch 15 Loss 0.361601
Time taken for 1 epoch 46.80 sec

Epoch 16 Batch 0 Loss 0.3429
Epoch 16 Batch 100 Loss 0.3767
Epoch 16 Batch 200 Loss 0.3294
Epoch 16 Batch 300 Loss 0.3133
Epoch 16 Loss 0.341073
Time taken for 1 epoch 47.21 sec

Epoch 17 Batch 0 Loss 0.3515
Epoch 17 Batch 100 Loss 0.3071
Epoch 17 Batch 200 Loss 0.3077
Epoch 17 Batch 300 Loss 0.3125
Epoch 17 Loss 0.325189
Time taken for 1 epoch 46.71 sec

Epoch 18 Batch 0 Loss 0.3130
Epoch 18 Batch 100 Loss 0.3286
Epoch 18 Batch 200 Loss 0.2938
Epoch 18 Batch 300 Loss 0.3057
Epoch 18 Loss 0.309311
Time taken for 1 epoch 45.67 sec

Epoch 19 Batch 0 Loss 0.2724
Epoch 19 Batch 100 Loss 0.3337
Epoch 19 Batch 200 Loss 0.2802
Epoch 19 Batch 300 Loss 0.2969
Epoch 19 Loss 0.293295
Time taken for 1 epoch 45.10 sec

Epoch 20 Batch 0 Loss 0.2915
Epoch 20 Batch 100 Loss 0.2914
Epoch 20 Batch 200 Loss 0.2780
Epoch 20 Batch 300 Loss 0.2671
Epoch 20 Loss 0.280478
Time taken for 1 epoch 45.18 sec
plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()

png

Podpis!

  • Funkcja oceny jest podobna do pętli treningowej, z tą różnicą, że nie używa się tutaj forsowania przez nauczyciela. Dane wejściowe dekodera w każdym kroku czasowym stanowią jego poprzednie przewidywania wraz ze stanem ukrytym i wyjściem kodera.
  • Przestań przewidywać, kiedy model przewiduje znacznik końca.
  • I przechowuj wagi uwagi dla każdego kroku czasowego.
def evaluate(image):
    attention_plot = np.zeros((max_length, attention_features_shape))

    hidden = decoder.reset_state(batch_size=1)

    temp_input = tf.expand_dims(load_image(image)[0], 0)
    img_tensor_val = image_features_extract_model(temp_input)
    img_tensor_val = tf.reshape(img_tensor_val, (img_tensor_val.shape[0],
                                                 -1,
                                                 img_tensor_val.shape[3]))

    features = encoder(img_tensor_val)

    dec_input = tf.expand_dims([word_to_index('<start>')], 0)
    result = []

    for i in range(max_length):
        predictions, hidden, attention_weights = decoder(dec_input,
                                                         features,
                                                         hidden)

        attention_plot[i] = tf.reshape(attention_weights, (-1, )).numpy()

        predicted_id = tf.random.categorical(predictions, 1)[0][0].numpy()
        predicted_word = tf.compat.as_text(index_to_word(predicted_id).numpy())
        result.append(predicted_word)

        if predicted_word == '<end>':
            return result, attention_plot

        dec_input = tf.expand_dims([predicted_id], 0)

    attention_plot = attention_plot[:len(result), :]
    return result, attention_plot
def plot_attention(image, result, attention_plot):
    temp_image = np.array(Image.open(image))

    fig = plt.figure(figsize=(10, 10))

    len_result = len(result)
    for i in range(len_result):
        temp_att = np.resize(attention_plot[i], (8, 8))
        grid_size = max(int(np.ceil(len_result/2)), 2)
        ax = fig.add_subplot(grid_size, grid_size, i+1)
        ax.set_title(result[i])
        img = ax.imshow(temp_image)
        ax.imshow(temp_att, cmap='gray', alpha=0.6, extent=img.get_extent())

    plt.tight_layout()
    plt.show()
# captions on the validation set
rid = np.random.randint(0, len(img_name_val))
image = img_name_val[rid]
real_caption = ' '.join([tf.compat.as_text(index_to_word(i).numpy())
                         for i in cap_val[rid] if i not in [0]])
result, attention_plot = evaluate(image)

print('Real Caption:', real_caption)
print('Prediction Caption:', ' '.join(result))
plot_attention(image, result, attention_plot)
Real Caption: <start> a close up of a banana on a bed <end>
Prediction Caption: a banana attached are next to a single [UNK] <end>

png

Wypróbuj na własnych obrazach

Dla zabawy poniżej znajdziesz metodę, której możesz użyć do opisania własnych obrazów za pomocą wytrenowanego właśnie modelu. Pamiętaj, że został on przeszkolony na stosunkowo niewielkiej ilości danych, a Twoje obrazy mogą różnić się od danych treningowych (więc przygotuj się na dziwne wyniki!)

image_url = 'https://tensorflow.org/images/surf.jpg'
image_extension = image_url[-4:]
image_path = tf.keras.utils.get_file('image'+image_extension, origin=image_url)

result, attention_plot = evaluate(image_path)
print('Prediction Caption:', ' '.join(result))
plot_attention(image_path, result, attention_plot)
# opening the image
Image.open(image_path)
Downloading data from https://tensorflow.org/images/surf.jpg
65536/64400 [==============================] - 0s 5us/step
73728/64400 [==================================] - 0s 4us/step
Prediction Caption: a man surfing on surf board on a wave. <end>

png

png

Następne kroki

Gratulacje! Właśnie trenowałeś z uwagą model tworzenia napisów do obrazów. Następnie spójrz na ten przykład Neural Machine Translation with Attention . Używa podobnej architektury do tłumaczenia zdań hiszpańskich i angielskich. Możesz także poeksperymentować z trenowaniem kodu w tym notesie na innym zestawie danych.