摘要:介紹本次項目使用深度學習自動生成圖像字幕。本次,我們利用遷移學習使用模型實現(xiàn)此功能。使用對損失修正。至于文本預測部分與使用注意力機制實現(xiàn)機器翻譯大體一致。
介紹
本次項目使用深度學習自動生成圖像字幕。如上圖,模型自動生成“The person is riding a surfboard in the ocean”字幕。我們具體該如何實現(xiàn)呢?
如圖所示,我們需要分別使用CNN和RNN模型來實現(xiàn)。
CNN模型:
利用卷積網絡對圖像特征提取的強大能力,來提取特征信息。我們的CNN模型需要有強大的識別能力,因此該模型需要使用過大量,多類別的訓練集進行訓練,并且識別準確率較高。本次,我們利用遷移學習使用Inception模型實現(xiàn)此功能。
通過遷移學習實現(xiàn)OCT圖像識別 文章中有遷移學習的相關介紹。
RNN模型:
對于文本序列數(shù)據(jù),目前我們最好的選擇依然是RNN模型。為了提升模型預測能力,我們使用注意力機制實現(xiàn)文本預測。
注意力機制實現(xiàn)機器翻譯 文章中有注意力機制的相關介紹。
對模型的細節(jié)要求我們將在對應代碼實現(xiàn)里進行介紹。
數(shù)據(jù)集介紹我們使用MS-COCO數(shù)據(jù)集進行訓練,為方便理解,簡單介紹下數(shù)據(jù)格式。COCO數(shù)據(jù)有5種類型,分別是: object detection, keypoint detection, stuff segmentation, panoptic segmentation,image captioning。基礎數(shù)據(jù)結構如下圖所示:
具體樣例(部分):
本次項目使用的是Image Captioning其中,每張照片不少于5個字幕:
數(shù)據(jù)下載處理import tensorflow as tf # 開啟eager模式 tf.enable_eager_execution() import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.utils import shuffle import re import numpy as np import os import time import json from glob import glob from PIL import Image import pickle annotation_zip=tf.keras.utils.get_file( # cache_dir(默認值): `~/.keras` # cache_subdir: `datasets`, # ~/.keras/datasets/captions.zip fname="captions.zip", cache_subdir=os.path.abspath("."), origin="http://images.cocodataset.org/annotations/annotations_trainval2014.zip", # 解壓 extract=True ) # 返回文件夾名,實現(xiàn):split(file)[0] annotation_file = os.path.dirname(annotation_zip)+"/annotations/captions_train2014.json" name_of_zip="train2014.zip" if not os.path.exists(os.path.abspath(".")+"/"+name_of_zip): image_zip=tf.keras.utils.get_file( fname=name_of_zip, cache_subdir=os.path.abspath("."), origin="http://images.cocodataset.org/zips/train2014.zip", extract=True ) PATH=os.path.dirname(image_zip)+"train2014/" else: PATH=os.path.abspath(".")+"/train2014/"
讀取字幕和圖片:
# 讀取注釋json文件 with open(annotation_file,"r") as f: annotations=json.load(f) # 保存全部字幕 all_captions=[] # 保存全部圖片 all_img_name_vecotr=[] # json格式參考COCO數(shù)據(jù)集官網 for annot in annotations["annotations"]: # 添加開始和結束標記 caption=""+annot["caption"]+" " # 獲取圖片名字 image_id=annot["image_id"] # 參考文章開始給出的“具體樣例” full_coco_image_path=PATH+"COCO_train2014_"+"%012d.jpg"%(image_id) all_img_name_vecotr.append(full_coco_image_path) all_captions.append(caption) # random_state 隨機種子,確保每次數(shù)據(jù)一致 train_captions,img_name_vector=shuffle( all_captions, all_img_name_vecotr, random_state=1 ) # 使用訓練集前30000樣本 num_examples=30000 train_captions=train_captions[:num_examples] img_name_vector=img_name_vector[:num_examples]
重訓練InceptionV3:
簡單介紹下InceptionV3模型:
Inception模型結構中最重要的思想就是卷積核分解。通過上圖可知,5x5的卷積可由2個3x3的卷積代替,3x3卷積可由一個3x1卷積和一個1x3卷積代替,代替的好處是減少了權重參數(shù)量,增加了網絡非線性(層增多)。比如,一個5x5卷積的權重參數(shù)量和2個3x3卷積的權重參數(shù)量分別是(5x5):(3x3)x2。InceptionV3中就將7x7的卷積分解成7x1卷積和1x7卷積。
批標準化(BN)正式提出是在InceptionV2,BN通過將輸入分布轉變成均值為0,標準差為1的正態(tài)分布,將值域處于激活函數(shù)敏感范圍從而防止梯度消失問題。正因為梯度消失問題的解決,我們可以使用更大的學習率進行訓練從而加快模型收斂。由于BN有類似Dropout的正則化作用,因此在訓練的時候不使用或少使用Dropout,并減輕L2正則。
使用非對稱卷積,如:1x3卷積,3x1卷積(論文作者指出在feature map的大小12x12~20x20之間效果最好)。
使用Label Smoothing對損失修正。下圖是新?lián)p失函數(shù):
網絡各層信息如下圖所示:
# 使用inception V3 要求圖片分辨率:299,299 # 輸入值范圍[-1,1] def load_image(image_path): img=tf.image.decode_jpeg(tf.read_file(image_path)) img_reshape=tf.image.resize_images(img,(299,299)) # 像素范圍[-1,1] # (-255)/255 img_range=tf.keras.applications.inception_v3.preprocess_input(img_reshape) return img_range,image_path
使用遷移學習構建新模型:
# 最后一層卷積輸入shape(8*8*2048),并將結果向量保存為dict image_model=tf.keras.applications.InceptionV3( # 不使用最后全連接層 include_top=False, # inception模型的訓練集是imagenet weigths="imagenet" ) # shape:(batch_size,299,299,3) new_input=image_model.input # hidden_layer shape:(batch_size,8,8,2048) hidden_layer=image_model.layers[-1].output # 創(chuàng)建新模型 image_features_extract_model=tf.keras.Model( new_input, hidden_layer )
保存通過使用InceptionV3獲得的特征:
encode_train=sorted(set(img_name_vector)) # map:可以并行處理數(shù)據(jù),默認讀取的文件具有確定性順序 # 取消順序可以加快數(shù)據(jù)讀取 # 通過設置參數(shù)num_parallel_calls實現(xiàn) image_dataset=tf.data.Dataset.from_tensor_slices(encode_train).map(load_image).batch(16) for img,path in image_dataset: # inception v3得到的feature batch_features=image_features_extract_model(img) batch_features=tf.reshape( # shape:(batch_size,8,8,2048) reshape:(batch_size,64,2048) batch_features,shape=(batch_features.shape[0],-1,batch_features[3]) ) # 保存 for bf,p in zip(batch_features,path): path_of_feature=p.numpy().decode("utf-8") # 文件后綴.npy np.save(path_of_feature,bf.numpy())文本處理
文本處理方式還是老規(guī)矩,先將文本轉成字典表示然后創(chuàng)建字符轉ID,ID轉字符,最后補長到預設長度。
# 計算最大長度 def calc_max_length(tensor): return max(len(t)for t in tensor)
top_k=5000 tokenizer=tf.keras.preprocessing.text.Tokenizer( num_words=top_k, # 字典中沒有的字符用模型訓練參數(shù)代替 oov_token=" ", # 需要過濾掉的特殊字符 filters="!"#$%&()*+.,-/:;=?@[]^_`{|}~" ) # 要用以訓練的文本列表 tokenizer.fit_on_texts(train_captions) # 轉為序列列表向量 train_seqs=tokenizer.texts_to_sequences((train_captions)) tokenizer.word_index[" "]=0 # 如果沒有指定最大長度,pad_sequences會自動計算最大長度 cap_vector=tf.keras.preprocessing.sequence.pad_sequences( sequences=train_seqs, # 后置補長 padding="post" ) max_length=calc_max_length(train_seqs)
拆分訓練集,驗證集:
img_name_train,img_name_val,cap_trian,cap_val=train_test_split( img_name_vector, cap_vector, # 驗證數(shù)據(jù)集占20% test_size=0.2, # 確保每次數(shù)據(jù)一致 random_state=0
# 最好是2的次冪,更適合GPU運算(加快二進制運算) BATCH_SIZE=64 # shuffle 緩沖區(qū)大小 BUFFER_SIZE=1000 # 詞嵌入維度 embedding_dim=256 units=512 vocab_size=len(tokenizer.word_index) # 后面會將(8,8,2048)轉為(64,2048) # 維度一定要一致 feature_shape=2048 attention_features_shape=64 # 加載保存的之前feature文件 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_trian)) # num_parallel_calls 根據(jù)自己的CPU而定 dataset=dataset.map(lambda item1,item2:tf.py_func( map_func,[item1,item2],[tf.float32,tf.int32] ),num_parallel_calls=4) # prefetch 可以合理利用CPU準備數(shù)據(jù),GPU計算數(shù)據(jù)之間的空閑時間,加快數(shù)據(jù)讀取 dataset=dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE).prefetch(1)創(chuàng)建模型
編碼器模型:
# 一層使用relu的全連接層 class CNN_Encoder(tf.keras.Model): def __init__(self,embedding_dim): super(CNN_Encoder, self).__init__() # fc shape:(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
注意力層:
詳細介紹可以查看文章開始給出的鏈接,這里給出計算方程式:
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): # 參考注意力機制計算的方程 # feature shape:(batch_size,64,embedding_dim) # hidden_state shape:(batch_size,hidden_size) hidden_with_time_axis=tf.expand_dims(hidden,1) # score shape:(batch_size,64,hidden_size) score=tf.nn.tanh(self.W1(features)+self.W2(hidden_with_time_axis)) # attention_weights shape:(batch_size,64,1) attention_weights=tf.nn.softmax(self.V(score),axis=1) context_vector=tf.reduce_sum(attention_weights*features,axis=1) return context_vector,attention_weights
解碼器中的GRU:
# 相比LSTM因為減少了一個門,參數(shù)少,收斂快 def gru(units): if tf.test.is_gpu_available(): # 使用GPU加速計算 return tf.keras.layers.CuDNNGRU( units=units, return_state=True, return_sequences=True, # 循環(huán)核的初始化方法 # glorot_uniform是sqrt(2 / (fan_in + fan_out))的正態(tài)分布產生 # 其中fan_in和fan_out是權重張量的扇入扇出(即輸入和輸出單元數(shù)目) recurrent_initializer="glorot_uniform" ) else: return tf.keras.layers.GRU( return_sequences=True, return_state=True, # 默認:hard_sigmoid <= -1 輸出0,>=1 輸出1 ,中間為線性 recurrent_activation="sigmoid", recurrent_initializer="glorot_uniform" )
解碼器模型:
# 使用注意力模型 class RNN_Decoder(tf.keras.Model): def __init__(self,embedding_dim,units,vocab_size): super(RNN_Decoder, self).__init__() self.units=units # 詞嵌入將高維離散數(shù)據(jù)轉為低維連續(xù)數(shù)據(jù),并表現(xiàn)出數(shù)據(jù)之間的相似性(向量空間) self.embedding=tf.keras.layers.Embedding(input_shape=vocab_size,output_dim=embedding_dim) self.gru=gru(units) 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): # 獲取注意力模型輸出 context_vector,attention_weights=self.attention(features,hidden) # x shape:(batch_size,1,embedding_dim) x=self.embedding(x) # 注意力,當前輸入合并 # 注意力shape:(batch_size,1,hidden) x shape:(batch_size,1,embedding_size) # x shape:(batch_size, 1, embedding_dim + hidden_size) x=tf.concat([tf.expand_dims(context_vector,1),x],axis=-1) output,state=self.gru(x) # x shape:(batch_size,max_length,hidden_size) x=self.fc1(output) # x shape:(batch_size*max_length,hidden_size) x=tf.reshape(x,shape=(-1,x.shape[2])) # x shape:(batch_size*max_length,vocab_size) x=self.fc2(x) return x,state,attention_weights def reset_state(self, batch_size): return tf.zeros((batch_size, self.units))模型訓練
實例化模型:
encoder = CNN_Encoder(embedding_dim) decoder = RNN_Decoder(embedding_dim, units, vocab_size)
損失函數(shù),優(yōu)化器設置:
# InceptionV3模型使用的不是Adam優(yōu)化器 # 各種優(yōu)化器以后放到一篇多帶帶的文章詳細介紹 optimizer=tf.train.AdamOptimizer(learning_rate=0.0001) def loss_function(real,pred): mask=1-np.equal(real,0) # 帶mask的交叉熵損失 loss_=tf.nn.sparse_softmax_cross_entropy_with_logits( labels=real, logits=pred )*mask return tf.reduce_mean(loss_)
訓練:
將使用InceptionV3模型提取的特征作為編碼器輸入
編碼器輸出,hidden_state,字幕文本作為解碼器輸入
解碼器hidden_state作為下一次輸入,預測值用于計算模型損失
使用標簽文本作為解碼器輸入(teacher-forcing模式)
梯度計算及應用
loss_plot=[] EPOCHS=20 for epoch in range(EPOCHS): start=time.time() total_loss=0 for (batch,(img_tensor,target)) in enumerate(dataset): loss=0 # 每迭代一次batch后重置 hidden_state hidden=decoder.reset_states(batch_size=target.shape[0]) # input維度是3維 dec_input=tf.expand_dims([tokenizer.word_index["模型預測"]*BATCH_SIZE],1) # eager模式下記錄梯度 with tf.GradientTape() as tape: # inception模式提取的特征 features=encoder(img_tensor) # 每張照片不止一個captions for i in range(1,target.shape[1]): # attention_weights此處暫不需要 predictions,hidden,_=decoder(dec_input,features,hidden) loss+=loss_function(target[:,i],predictions) # teacher forcing 使用標簽數(shù)據(jù)作為輸入替代hidden-output dec_input=tf.expand_dims(target[:,i],1) total_loss+=(loss/int(target.shape[1])) # 總訓練參數(shù) variables=encoder.variables+decoder.variables # 梯度計算及應用 gradients=tape.gradient(loss,variables) optimizer.apply_gradients(zip(gradients,variables)) if batch%100 == 0: print("epoch{},batch{},loss{:.4}".format( epoch+1, batch, loss.numpy()/int(target.shape[1]) )) loss_plot.append(total_loss/len(cap_vector)) plt.plot(loss_plot) plt.xlabel("epochs") plt.ylabel("loss") plt.show()
模型預測不使用Teacher forcing模式,當遇到預設的結束標記“
def evaluate(image): attention_plot = np.zeros((max_length, attention_features_shape)) # 初始化hidden-state hidden = decoder.reset_state(batch_size=1) # shape:(1,299,299,3) temp_input = tf.expand_dims(load_image(image)[0], 0) # 特征提取 img_tensor_val = image_features_extract_model(temp_input) # shape:(1,8,8,2048) reshape:(1,64,2048) img_tensor_val = tf.reshape(img_tensor_val, (img_tensor_val.shape[0], -1, img_tensor_val.shape[3])) # shape:(1,64,256) features = encoder(img_tensor_val) # 增加batchsize維度 dec_input = tf.expand_dims([tokenizer.word_index[""]], 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() # 我們使用softmax歸一化結果,使用argmax查詢最大值 # 對于分類數(shù)量大于2,softmax和sigmoid的區(qū)別是 # 類別之間有相互關系的使用sigmoid,反之使用softmax predicted_id = tf.argmax(predictions[0]).numpy() # ID轉字符,獲取文本結果 result.append(tokenizer.index_word[predicted_id]) # 判斷是否是預設的結束標記 if tokenizer.index_word[predicted_id] == " ": return result, attention_plot # 將預測值作為輸入,預測下一個結果(teacher-forcing在這里使用數(shù)據(jù)標簽作為輸入) dec_input = tf.expand_dims([predicted_id], 0) attention_plot = attention_plot[:len(result), :] return result, attention_plot
以下用于可視化注意力機制訓練過程:
此處代碼主要是圖像展示就不做過多介紹了。
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 l in range(len_result): temp_att = np.resize(attention_plot[l], (8, 8)) ax = fig.add_subplot(len_result//2, len_result//2, l+1) ax.set_title(result[l]) img = ax.imshow(temp_image) ax.imshow(temp_att, cmap="gray", alpha=0.6, extent=img.get_extent()) plt.tight_layout() plt.show() rid = np.random.randint(0, len(img_name_val)) image = img_name_val[rid] real_caption = " ".join([tokenizer.index_word[i] 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) Image.open(img_name_val[rid])總結
想要對圖像生成字幕,首先需要提取圖像特征,本文我們利用遷移學習使用Inception模型來提取特征,對于Inception模型,我們重點理解卷積核分解。至于文本預測部分與使用注意力機制實現(xiàn)機器翻譯大體一致。有一點想說的是,類似這樣的項目維度轉換會比較多,也是很容易出錯的地方,這一點需要格外留意。
本文代碼內容來自 Yash Katariya在此表示感謝。
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/42798.html
摘要:介紹本次項目使用深度學習自動生成圖像字幕。本次,我們利用遷移學習使用模型實現(xiàn)此功能。使用對損失修正。至于文本預測部分與使用注意力機制實現(xiàn)機器翻譯大體一致。 介紹 showImg(https://segmentfault.com/img/bVbkSso?w=2048&h=1358); 本次項目使用深度學習自動生成圖像字幕。如上圖,模型自動生成The person is riding a ...
閱讀 1849·2021-11-25 09:43
閱讀 1491·2021-09-02 15:21
閱讀 3453·2019-08-30 15:52
閱讀 1501·2019-08-30 12:48
閱讀 1295·2019-08-30 10:57
閱讀 2929·2019-08-26 17:41
閱讀 681·2019-08-26 11:59
閱讀 1366·2019-08-26 10:41