شرح الصورة باهتمام بصري

عرض على TensorFlow.org تشغيل في Google Colab عرض المصدر على جيثب تحميل دفتر

بالنظر إلى صورة مثل المثال أدناه ، فإن هدفك هو إنشاء تسمية توضيحية مثل "راكب أمواج يركب على موجة".

رجل ركوب الأمواج

صورة المصدر . الترخيص: المجال العام

لتحقيق ذلك ، ستستخدم نموذجًا قائمًا على الانتباه ، والذي يمكننا من رؤية أجزاء الصورة التي يركز عليها النموذج أثناء إنشاء تعليق.

تنبؤ

العمارة نموذج مشابه ل مشاهدة، حضور وأخبر: الجيل توضيحية العصبية صورة مع Visual الاهتمام .

هذا الكمبيوتر الدفتري هو مثال شامل. عند تشغيل الكمبيوتر المحمول، وذلك بتحميل MS-COCO مجموعة البيانات، preprocesses وتخزين مجموعة فرعية من الصور باستخدام التأسيس V3، تدرب نموذج التشفير فك، ويولد تعليق على الصور الجديدة باستخدام نموذج المدربين.

في هذا المثال ، ستقوم بتدريب نموذج على كمية صغيرة نسبيًا من البيانات - أول 30000 تعليق لحوالي 20000 صورة (نظرًا لوجود العديد من التسميات التوضيحية لكل صورة في مجموعة البيانات).

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
2021-07-28 01:23:48.839502: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcudart.so.11.0

قم بتنزيل وإعداد مجموعة بيانات MS-COCO

سوف تستخدم مجموعة البيانات MS-COCO لتدريب النموذج الخاص بك. تحتوي مجموعة البيانات على أكثر من 82000 صورة ، تحتوي كل منها على 5 تعليقات توضيحية مختلفة على الأقل. يقوم الكود أدناه بتنزيل واستخراج مجموعة البيانات تلقائيًا.

# 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 [==============================] - 17s 0us/step
Downloading data from http://images.cocodataset.org/zips/train2014.zip
13510574080/13510573713 [==============================] - 816s 0us/step

اختياري: تحديد حجم مجموعة التدريب

لتسريع التدريب على هذا البرنامج التعليمي ، ستستخدم مجموعة فرعية من 30000 تسمية توضيحية والصور المقابلة لها لتدريب نموذجك. سيؤدي اختيار استخدام المزيد من البيانات إلى تحسين جودة التسميات التوضيحية.

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 close up of a person wearing a bow tie  <end>

بي إن جي

المعالجة المسبقة للصور باستخدام InceptionV3

بعد ذلك ، ستستخدم InceptionV3 (الذي تم اختباره مسبقًا على Imagenet) لتصنيف كل صورة. سوف تستخرج المعالم من آخر طبقة تلافيفية.

أولاً ، ستقوم بتحويل الصور إلى تنسيق InceptionV3 المتوقع من خلال:

  • تغيير حجم الصورة إلى 299 × 299 بكسل
  • المعالجة المسبقة الصور باستخدام preprocess_input طريقة لتطبيع الصورة بحيث يحتوي بكسل في مجموعة من -1 إلى 1، والذي يطابق شكل الصور المستخدمة لتدريب InceptionV3.
def load_image(image_path):
    img = tf.io.read_file(image_path)
    img = tf.image.decode_jpeg(img, channels=3)
    img = tf.image.resize(img, (299, 299))
    img = tf.keras.applications.inception_v3.preprocess_input(img)
    return img, image_path

قم بتهيئة InceptionV3 وتحميل أوزان Imagenet سابقة التدريب

ستقوم الآن بإنشاء نموذج tf.keras حيث تكون طبقة المخرجات هي آخر طبقة تلافيفية في بنية InceptionV3. شكل الناتج من هذه الطبقة هو 8x8x2048 . أنت تستخدم آخر طبقة تلافيفية لأنك تستخدم الانتباه في هذا المثال. لا تقوم بهذه التهيئة أثناء التدريب لأنها قد تصبح عنق الزجاجة.

  • تقوم بإعادة توجيه كل صورة عبر الشبكة وتخزين المتجه الناتج في قاموس (اسم_الصورة -> سمة_المتجه).
  • بعد أن يتم تمرير جميع الصور عبر الشبكة ، تقوم بحفظ القاموس على القرص.
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)
2021-07-28 01:38:51.724662: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcuda.so.1
2021-07-28 01:38:52.396689: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.397733: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1733] Found device 0 with properties: 
pciBusID: 0000:00:05.0 name: Tesla V100-SXM2-16GB computeCapability: 7.0
coreClock: 1.53GHz coreCount: 80 deviceMemorySize: 15.78GiB deviceMemoryBandwidth: 836.37GiB/s
2021-07-28 01:38:52.397773: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcudart.so.11.0
2021-07-28 01:38:52.410682: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcublas.so.11
2021-07-28 01:38:52.410775: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcublasLt.so.11
2021-07-28 01:38:52.412998: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcufft.so.10
2021-07-28 01:38:52.416058: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcurand.so.10
2021-07-28 01:38:52.418038: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcusolver.so.11
2021-07-28 01:38:52.420886: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcusparse.so.11
2021-07-28 01:38:52.421795: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcudnn.so.8
2021-07-28 01:38:52.421939: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.422953: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.423807: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1871] Adding visible gpu devices: 0
2021-07-28 01:38:52.424745: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX2 AVX512F FMA
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2021-07-28 01:38:52.425332: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.426304: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1733] Found device 0 with properties: 
pciBusID: 0000:00:05.0 name: Tesla V100-SXM2-16GB computeCapability: 7.0
coreClock: 1.53GHz coreCount: 80 deviceMemorySize: 15.78GiB deviceMemoryBandwidth: 836.37GiB/s
2021-07-28 01:38:52.426381: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.427321: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:52.428215: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1871] Adding visible gpu devices: 0
2021-07-28 01:38:52.429333: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcudart.so.11.0
2021-07-28 01:38:53.947925: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1258] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-07-28 01:38:53.947964: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1264]      0 
2021-07-28 01:38:53.947973: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1277] 0:   N 
2021-07-28 01:38:53.949235: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:53.950377: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:53.951333: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:937] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2021-07-28 01:38:53.952280: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1418] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 14646 MB memory) -> physical GPU (device: 0, name: Tesla V100-SXM2-16GB, pci bus id: 0000:00:05.0, compute capability: 7.0)
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/inception_v3/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
87916544/87910968 [==============================] - 4s 0us/step

تخزين الميزات المستخرجة من InceptionV3 مؤقتًا

ستقوم بمعالجة كل صورة مسبقًا باستخدام InceptionV3 وتخزين الإخراج على القرص مؤقتًا. سيكون التخزين المؤقت للإخراج في ذاكرة الوصول العشوائي أسرع ولكنه أيضًا مكثف للذاكرة ، ويتطلب 8 * 8 * 2048 عوامة لكل صورة. في وقت كتابة هذا التقرير ، كان هذا يتجاوز حدود الذاكرة الخاصة بـ Colab (حاليًا 12 جيجابايت من الذاكرة).

يمكن تحسين الأداء باستخدام إستراتيجية تخزين مؤقت أكثر تعقيدًا (على سبيل المثال ، عن طريق تجزئة الصور لتقليل إدخال / إخراج قرص الوصول العشوائي) ، ولكن هذا يتطلب المزيد من التعليمات البرمجية.

سيستغرق التخزين المؤقت حوالي 10 دقائق للتشغيل في Colab باستخدام وحدة معالجة الرسومات. إذا كنت ترغب في رؤية شريط التقدم ، فيمكنك:

  1. تثبيت tqdm :

    !pip install tqdm

  2. استيراد tqdm:

    from tqdm import tqdm

  3. قم بتغيير السطر التالي:

    for img, path in image_dataset:

    ل:

    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())
2021-07-28 01:39:00.906130: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:176] None of the MLIR Optimization Passes are enabled (registered 2)
2021-07-28 01:39:00.907617: I tensorflow/core/platform/profile_utils/cpu_utils.cc:114] CPU Frequency: 2000179999 Hz
2021-07-28 01:39:01.056105: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcudnn.so.8
2021-07-28 01:39:03.207340: I tensorflow/stream_executor/cuda/cuda_dnn.cc:359] Loaded cuDNN version 8100
2021-07-28 01:39:08.876833: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcublas.so.11
2021-07-28 01:39:10.057729: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library libcublasLt.so.11

المعالجة المسبقة ورمز التسميات التوضيحية

  • أولاً ، ستقوم بترميز التسميات التوضيحية (على سبيل المثال ، عن طريق تقسيمها على مسافات). يمنحنا هذا مفردات لجميع الكلمات الفريدة في البيانات (على سبيل المثال ، "تصفح" و "كرة القدم" وما إلى ذلك).
  • بعد ذلك ، ستقصر حجم المفردات على أكبر 5000 كلمة (لحفظ الذاكرة). ستستبدل جميع الكلمات الأخرى بالرمز المميز "UNK" (غير معروف).
  • يمكنك بعد ذلك إنشاء تعيينات كلمة إلى فهرس وفهرس إلى كلمة.
  • أخيرًا ، تقوم بترتيب كل التسلسلات لتكون بنفس طول أطول تسلسل.
# Find the maximum length of any caption in the dataset
def calc_max_length(tensor):
    return max(len(t) for t in tensor)
# Choose the top 5000 words from the vocabulary
top_k = 5000
tokenizer = tf.keras.preprocessing.text.Tokenizer(num_words=top_k,
                                                  oov_token="<unk>",
                                                  filters='!"#$%&()*+.,-/:;=?@[\]^_`{|}~')
tokenizer.fit_on_texts(train_captions)
tokenizer.word_index['<pad>'] = 0
tokenizer.index_word[0] = '<pad>'
# Create the tokenized vectors
train_seqs = tokenizer.texts_to_sequences(train_captions)
# Pad each vector to the max_length of the captions
# If you do not provide a max_length value, pad_sequences calculates it automatically
cap_vector = tf.keras.preprocessing.sequence.pad_sequences(train_seqs, padding='post')
# Calculates the max_length, which is used to store the attention weights
max_length = calc_max_length(train_seqs)

قسّم البيانات إلى تدريب واختبار

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)
(24012, 24012, 6007, 6007)

قم بإنشاء مجموعة بيانات tf.data للتدريب

الصور والتعليقات جاهزة! بعد ذلك، دعونا خلق tf.data مجموعة البيانات لاستخدامها لتدريب النموذج الخاص بك.

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

BATCH_SIZE = 64
BUFFER_SIZE = 1000
embedding_dim = 256
units = 512
vocab_size = top_k + 1
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.int32]),
          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)

نموذج

متعة حقيقة: وحدة فك الترميز أدناه مطابق لاحد في المثال عن العصبية الترجمة الآلية مع الاهتمام .

مستوحاة من الهندسة المعمارية نموذج من مشاهدة، حضور وأخبر الورق.

  • في هذا المثال ، تقوم باستخراج الميزات من الطبقة التلافيفية السفلية لـ InceptionV3 مما يمنحنا متجهًا للشكل (8 ، 8 ، 2048).
  • تقوم بسحق ذلك على شكل (64 ، 2048).
  • ثم يتم تمرير هذا المتجه من خلال مشفر CNN (الذي يتكون من طبقة واحدة متصلة بالكامل).
  • يحضر RNN (هنا GRU) فوق الصورة للتنبؤ بالكلمة التالية.
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, vocab_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_)

نقطة تفتيش

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)

تمرين

  • استخراج ملامح المخزنة في كل .npy الملفات ومن ثم تمرير هذه الميزات من خلال التشفير.
  • يتم تمرير إخراج المشفر ، الحالة المخفية (التي تمت تهيئتها إلى 0) ومدخل وحدة فك التشفير (وهو رمز البدء) إلى وحدة فك التشفير.
  • تقوم وحدة فك التشفير بإرجاع التنبؤات والحالة المخفية لوحدة فك التشفير.
  • ثم يتم تمرير الحالة المخفية لوحدة فك التشفير مرة أخرى إلى النموذج وتستخدم التنبؤات لحساب الخسارة.
  • استخدم إجبار المعلم لتحديد الإدخال التالي لوحدة فك التشفير.
  • إن فرض المعلم هو التقنية التي يتم فيها تمرير الكلمة المستهدفة كمدخل تالي إلى وحدة فك التشفير.
  • الخطوة الأخيرة هي حساب التدرجات وتطبيقها على المحسن والرجوع للخلف.
# 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([tokenizer.word_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 1.9004
Epoch 1 Batch 100 Loss 1.0669
Epoch 1 Batch 200 Loss 0.8644
Epoch 1 Batch 300 Loss 0.7575
Epoch 1 Loss 0.971214
Time taken for 1 epoch 150.00 sec

Epoch 2 Batch 0 Loss 0.8469
Epoch 2 Batch 100 Loss 0.7256
Epoch 2 Batch 200 Loss 0.7352
Epoch 2 Batch 300 Loss 0.6788
Epoch 2 Loss 0.740390
Time taken for 1 epoch 52.59 sec

Epoch 3 Batch 0 Loss 0.7644
Epoch 3 Batch 100 Loss 0.6992
Epoch 3 Batch 200 Loss 0.6509
Epoch 3 Batch 300 Loss 0.5881
Epoch 3 Loss 0.665821
Time taken for 1 epoch 52.17 sec

Epoch 4 Batch 0 Loss 0.6438
Epoch 4 Batch 100 Loss 0.5957
Epoch 4 Batch 200 Loss 0.6577
Epoch 4 Batch 300 Loss 0.6111
Epoch 4 Loss 0.617179
Time taken for 1 epoch 51.69 sec

Epoch 5 Batch 0 Loss 0.5838
Epoch 5 Batch 100 Loss 0.6093
Epoch 5 Batch 200 Loss 0.6297
Epoch 5 Batch 300 Loss 0.5459
Epoch 5 Loss 0.579694
Time taken for 1 epoch 51.83 sec

Epoch 6 Batch 0 Loss 0.5737
Epoch 6 Batch 100 Loss 0.5443
Epoch 6 Batch 200 Loss 0.5537
Epoch 6 Batch 300 Loss 0.5825
Epoch 6 Loss 0.546888
Time taken for 1 epoch 51.11 sec

Epoch 7 Batch 0 Loss 0.5380
Epoch 7 Batch 100 Loss 0.5383
Epoch 7 Batch 200 Loss 0.4824
Epoch 7 Batch 300 Loss 0.4913
Epoch 7 Loss 0.517661
Time taken for 1 epoch 50.39 sec

Epoch 8 Batch 0 Loss 0.4940
Epoch 8 Batch 100 Loss 0.5097
Epoch 8 Batch 200 Loss 0.5023
Epoch 8 Batch 300 Loss 0.4532
Epoch 8 Loss 0.490831
Time taken for 1 epoch 50.93 sec

Epoch 9 Batch 0 Loss 0.4901
Epoch 9 Batch 100 Loss 0.4050
Epoch 9 Batch 200 Loss 0.4870
Epoch 9 Batch 300 Loss 0.4596
Epoch 9 Loss 0.465417
Time taken for 1 epoch 51.03 sec

Epoch 10 Batch 0 Loss 0.4536
Epoch 10 Batch 100 Loss 0.4588
Epoch 10 Batch 200 Loss 0.4160
Epoch 10 Batch 300 Loss 0.4242
Epoch 10 Loss 0.440437
Time taken for 1 epoch 51.10 sec

Epoch 11 Batch 0 Loss 0.4445
Epoch 11 Batch 100 Loss 0.4225
Epoch 11 Batch 200 Loss 0.4142
Epoch 11 Batch 300 Loss 0.4043
Epoch 11 Loss 0.418332
Time taken for 1 epoch 51.65 sec

Epoch 12 Batch 0 Loss 0.4569
Epoch 12 Batch 100 Loss 0.3960
Epoch 12 Batch 200 Loss 0.3994
Epoch 12 Batch 300 Loss 0.3606
Epoch 12 Loss 0.396864
Time taken for 1 epoch 50.60 sec

Epoch 13 Batch 0 Loss 0.3756
Epoch 13 Batch 100 Loss 0.3739
Epoch 13 Batch 200 Loss 0.3485
Epoch 13 Batch 300 Loss 0.3188
Epoch 13 Loss 0.377340
Time taken for 1 epoch 50.36 sec

Epoch 14 Batch 0 Loss 0.3615
Epoch 14 Batch 100 Loss 0.3441
Epoch 14 Batch 200 Loss 0.3526
Epoch 14 Batch 300 Loss 0.3481
Epoch 14 Loss 0.357066
Time taken for 1 epoch 50.84 sec

Epoch 15 Batch 0 Loss 0.3696
Epoch 15 Batch 100 Loss 0.3506
Epoch 15 Batch 200 Loss 0.3470
Epoch 15 Batch 300 Loss 0.3242
Epoch 15 Loss 0.339348
Time taken for 1 epoch 50.10 sec

Epoch 16 Batch 0 Loss 0.3250
Epoch 16 Batch 100 Loss 0.3281
Epoch 16 Batch 200 Loss 0.3296
Epoch 16 Batch 300 Loss 0.3140
Epoch 16 Loss 0.321988
Time taken for 1 epoch 50.75 sec

Epoch 17 Batch 0 Loss 0.2916
Epoch 17 Batch 100 Loss 0.2957
Epoch 17 Batch 200 Loss 0.3014
Epoch 17 Batch 300 Loss 0.2942
Epoch 17 Loss 0.306097
Time taken for 1 epoch 51.17 sec

Epoch 18 Batch 0 Loss 0.2839
Epoch 18 Batch 100 Loss 0.2937
Epoch 18 Batch 200 Loss 0.2837
Epoch 18 Batch 300 Loss 0.2717
Epoch 18 Loss 0.291026
Time taken for 1 epoch 49.86 sec

Epoch 19 Batch 0 Loss 0.3187
Epoch 19 Batch 100 Loss 0.3106
Epoch 19 Batch 200 Loss 0.2696
Epoch 19 Batch 300 Loss 0.2765
Epoch 19 Loss 0.278087
Time taken for 1 epoch 51.39 sec

Epoch 20 Batch 0 Loss 0.2823
Epoch 20 Batch 100 Loss 0.2791
Epoch 20 Batch 200 Loss 0.2556
Epoch 20 Batch 300 Loss 0.2598
Epoch 20 Loss 0.264479
Time taken for 1 epoch 51.29 sec
plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()

بي إن جي

شرح!

  • تشبه وظيفة التقييم حلقة التدريب ، إلا أنك لا تستخدم إجبار المعلم هنا. المدخلات إلى وحدة فك التشفير في كل خطوة زمنية هي تنبؤاتها السابقة جنبًا إلى جنب مع الحالة المخفية وإخراج المشفر.
  • توقف عن التنبؤ عندما يتوقع النموذج رمز النهاية.
  • وقم بتخزين أوزان الانتباه لكل خطوة زمنية.
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([tokenizer.word_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()
        result.append(tokenizer.index_word[predicted_id])

        if tokenizer.index_word[predicted_id] == '<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(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([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)
Real Caption: <start> some people are playing a game in a field <end>
Prediction Caption: a man and little boy that is playing frisbee in a <unk> <end>
/home/kbuilder/.local/lib/python3.7/site-packages/ipykernel_launcher.py:10: MatplotlibDeprecationWarning: Passing non-integers as three-element position specification is deprecated since 3.3 and will be removed two minor releases later.
  # Remove the CWD from sys.path while we load stuff.

بي إن جي

جربه على صورك الخاصة

من أجل المتعة ، تم تقديم طريقة يمكنك استخدامها لتسمية الصور الخاصة بك بالنموذج الذي قمت بتدريبه للتو. ضع في اعتبارك أنه تم تدريبه على كمية صغيرة نسبيًا من البيانات ، وقد تختلف صورك عن بيانات التدريب (لذا كن مستعدًا لنتائج غريبة!)

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
Prediction Caption: a man in <unk> as he rides a surf board <end>
/home/kbuilder/.local/lib/python3.7/site-packages/ipykernel_launcher.py:10: MatplotlibDeprecationWarning: Passing non-integers as three-element position specification is deprecated since 3.3 and will be removed two minor releases later.
  # Remove the CWD from sys.path while we load stuff.

بي إن جي

بي إن جي

الخطوات التالية

مبروك! لقد قمت للتو بتدريب نموذج تعليق الصور باهتمام. بعد ذلك، نلقي نظرة على هذا المثال العصبية الترجمة الآلية مع الاهتمام . يستخدم بنية مماثلة للترجمة بين الجمل الإسبانية والإنجليزية. يمكنك أيضًا تجربة تدريب الكود في هذا الكمبيوتر الدفتري على مجموعة بيانات مختلفة.