সাহায্য Kaggle উপর TensorFlow সঙ্গে গ্রেট বেরিয়ার রিফ রক্ষা চ্যালেঞ্জ যোগদান

চাক্ষুষ মনোযোগ সহ চিত্র ক্যাপশনিং

TensorFlow.org এ দেখুন Google Colab-এ চালান GitHub-এ উৎস দেখুন নোটবুক ডাউনলোড করুন

নীচের উদাহরণের মতো একটি চিত্র দেওয়া হল, আপনার লক্ষ্য হল একটি ক্যাপশন তৈরি করা যেমন "একটি তরঙ্গে রাইডিং একটি সার্ফার"।

ম্যান সার্ফিং

ছবির উৎস ; লাইসেন্স: পাবলিক ডোমেইন

এটি সম্পন্ন করার জন্য, আপনি একটি মনোযোগ-ভিত্তিক মডেল ব্যবহার করবেন, যা আমাদেরকে দেখতে সক্ষম করে যে মডেলটি চিত্রের কোন অংশগুলিতে ফোকাস করে কারণ এটি একটি ক্যাপশন তৈরি করে৷

ভবিষ্যদ্বাণী

মডেল আর্কিটেকচারটি দেখান, উপস্থিত হন এবং বলুন: ভিজ্যুয়াল মনোযোগ সহ নিউরাল ইমেজ ক্যাপশন জেনারেশনের মতো।

এই নোটবুক একটি শেষ থেকে শেষ উদাহরণ. আপনি যখন নোটবুক চালান, তখন এটি MS-COCO ডেটাসেট ডাউনলোড করে, ইনসেপশন V3 ব্যবহার করে ইমেজের একটি উপসেট প্রিপ্রসেস করে এবং ক্যাশে করে, একটি এনকোডার-ডিকোডার মডেলকে প্রশিক্ষণ দেয় এবং প্রশিক্ষিত মডেল ব্যবহার করে নতুন ছবিগুলিতে ক্যাপশন তৈরি করে।

এই উদাহরণে, আপনি একটি মডেলকে তুলনামূলকভাবে অল্প পরিমাণ ডেটার উপর প্রশিক্ষণ দেবেন—প্রথম 30,000টি ক্যাপশন প্রায় 20,000 ছবির জন্য (কারণ ডেটাসেটে প্রতি ছবি একাধিক ক্যাপশন রয়েছে)।

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

MS-COCO ডেটাসেট ডাউনলোড করুন এবং প্রস্তুত করুন

আপনি আপনার মডেলকে প্রশিক্ষণ দিতে MS-COCO ডেটাসেট ব্যবহার করবেন। ডেটাসেটে 82,000টিরও বেশি ছবি রয়েছে, যার প্রতিটিতে অন্তত 5টি ভিন্ন ক্যাপশন টীকা রয়েছে। নীচের কোডটি স্বয়ংক্রিয়ভাবে ডেটাসেট ডাউনলোড এবং নিষ্কাশন করে।

# 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 [==============================] - 784s 0us/step
13510582272/13510573713 [==============================] - 784s 0us/step

ঐচ্ছিক: প্রশিক্ষণ সেটের আকার সীমিত করুন

এই টিউটোরিয়ালের জন্য প্রশিক্ষণের গতি বাড়ানোর জন্য, আপনি 30,000টি ক্যাপশনের একটি উপসেট এবং আপনার মডেলকে প্রশিক্ষণ দেওয়ার জন্য তাদের সংশ্লিষ্ট চিত্রগুলি ব্যবহার করবেন৷ আরও ডেটা ব্যবহার করা বেছে নেওয়ার ফলে ক্যাপশনিং গুণমান উন্নত হবে।

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 person trying to get a cat out of a suitcase <end>

png

InceptionV3 ব্যবহার করে ইমেজ প্রিপ্রসেস করুন

এর পরে, আপনি প্রতিটি চিত্রকে শ্রেণীবদ্ধ করতে InceptionV3 (যা ইমেজনেটে ​​পূর্বপ্রশিক্ষিত) ব্যবহার করবেন। আপনি শেষ কনভোলিউশনাল লেয়ার থেকে বৈশিষ্ট্য বের করবেন।

প্রথমত, আপনি ইমেজগুলিকে InceptionV3 এর প্রত্যাশিত বিন্যাসে রূপান্তর করবেন:

  • চিত্রের আকার 299px বাই 299px করুন
  • ইমেজটিকে স্বাভাবিক করার জন্য preprocess_input পদ্ধতি ব্যবহার করে ইমেজগুলিকে প্রাক-প্রসেস করুন যাতে এতে -1 থেকে 1-এর মধ্যে পিক্সেল থাকে, যা InceptionV3-কে প্রশিক্ষণের জন্য ব্যবহৃত ছবির বিন্যাসের সাথে মেলে।
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

InceptionV3 শুরু করুন এবং পূর্বপ্রশিক্ষিত ইমেজনেট ওজন লোড করুন

এখন আপনি একটি tf.keras মডেল তৈরি করবেন যেখানে আউটপুট স্তরটি InceptionV3 আর্কিটেকচারের শেষ কনভোলিউশনাল লেয়ার। এই স্তরটির আউটপুটের আকার হল 8x8x2048 । আপনি শেষ কনভোলিউশনাল লেয়ার ব্যবহার করেন কারণ আপনি এই উদাহরণে মনোযোগ ব্যবহার করছেন। আপনি প্রশিক্ষণের সময় এই প্রারম্ভিকতা সঞ্চালন করবেন না কারণ এটি একটি বাধা হয়ে উঠতে পারে।

  • আপনি নেটওয়ার্কের মাধ্যমে প্রতিটি ছবি ফরোয়ার্ড করেন এবং ফলাফল ভেক্টরকে একটি অভিধানে সংরক্ষণ করেন (image_name --> feature_vector)।
  • সমস্ত ছবি নেটওয়ার্কের মাধ্যমে পাস করার পরে, আপনি ডিস্কে অভিধানটি সংরক্ষণ করুন।
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)

InceptionV3 থেকে নিষ্কাশিত বৈশিষ্ট্যগুলি ক্যাশে করা হচ্ছে

আপনি InceptionV3 দিয়ে প্রতিটি চিত্রকে প্রাক-প্রক্রিয়া করবেন এবং আউটপুটটি ডিস্কে ক্যাশে করবেন। RAM-তে আউটপুট ক্যাশ করা দ্রুততর হবে কিন্তু মেমরির নিবিড়ও হবে, প্রতি ইমেজে 8*8*2048 ফ্লোট লাগবে। লেখার সময়, এটি Colab-এর মেমরির সীমা ছাড়িয়ে গেছে (বর্তমানে 12GB মেমরি)।

কর্মক্ষমতা আরও পরিশীলিত ক্যাশিং কৌশল দিয়ে উন্নত করা যেতে পারে (উদাহরণস্বরূপ, এলোমেলো অ্যাক্সেস ডিস্ক I/O কমাতে চিত্রগুলিকে শার্ড করে), তবে এর জন্য আরও কোডের প্রয়োজন হবে।

একটি GPU সহ Colab-এ ক্যাশিং চালাতে প্রায় 10 মিনিট সময় লাগবে। আপনি যদি একটি অগ্রগতি বার দেখতে চান, আপনি করতে পারেন:

  1. tqdm ইনস্টল করুন:

    !pip install tqdm

  2. tqdm আমদানি করুন:

    from tqdm import tqdm

  3. নিম্নলিখিত লাইন পরিবর্তন করুন:

    for img, path in image_dataset:

    প্রতি:

    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())

প্রিপ্রসেস এবং ক্যাপশন টোকেনাইজ করুন

আপনি নিম্নলিখিত ধাপগুলি সহ TextVectorization স্তর ব্যবহার করে টেক্সট ক্যাপশনগুলিকে পূর্ণসংখ্যা ক্রমগুলিতে রূপান্তর করবেন:

  • সমস্ত ক্যাপশনে পুনরাবৃত্তি করার জন্য অভিযোজিত ব্যবহার করুন, ক্যাপশনগুলিকে শব্দে বিভক্ত করুন এবং শীর্ষ 5,000 শব্দের একটি শব্দভান্ডার গণনা করুন (মেমরি সংরক্ষণ করতে)।
  • শব্দভান্ডারে প্রতিটি শব্দকে এর সূচকে ম্যাপ করে সমস্ত ক্যাপশনকে টোকেনাইজ করুন। সমস্ত আউটপুট ক্রম দৈর্ঘ্য 50 প্যাড করা হবে.
  • ফলাফল প্রদর্শন করতে ওয়ার্ড-টু-ইনডেক্স এবং ইনডেক্স-টু-ওয়ার্ড ম্যাপিং তৈরি করুন।
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)

প্রশিক্ষণ এবং পরীক্ষায় ডেটা বিভক্ত করুন

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, 6004, 6004)

প্রশিক্ষণের জন্য একটি tf.data ডেটাসেট তৈরি করুন

আপনার ছবি এবং ক্যাপশন প্রস্তুত! এর পরে, আসুন আপনার মডেলকে প্রশিক্ষণের জন্য ব্যবহার করার জন্য একটি tf.data ডেটাসেট তৈরি করি।

# 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)

মডেল

মজার ঘটনা: নীচের ডিকোডারটি মনোযোগ সহ নিউরাল মেশিন অনুবাদের উদাহরণের মতো।

মডেল আর্কিটেকচার শো, অ্যাটেন্ড এবং টেল পেপার দ্বারা অনুপ্রাণিত।

  • এই উদাহরণে, আপনি InceptionV3-এর নিম্নতর কনভোলিউশনাল লেয়ার থেকে বৈশিষ্ট্যগুলি বের করেন যা আমাদের একটি ভেক্টর আকৃতি দেয় (8, 8, 2048)।
  • আপনি এটিকে (64, 2048) আকারে স্কোয়াশ করুন।
  • এই ভেক্টরটি তারপরে CNN এনকোডারের মধ্য দিয়ে যায় (যা একটি একক সম্পূর্ণভাবে সংযুক্ত স্তর নিয়ে গঠিত)।
  • আরএনএন (এখানে জিআরইউ) পরবর্তী শব্দের ভবিষ্যদ্বাণী করতে ছবিটির উপর উপস্থিত থাকে।
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_)

চেকপয়েন্ট

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)

প্রশিক্ষণ

  • আপনি সংশ্লিষ্ট .npy ফাইলগুলিতে সংরক্ষিত বৈশিষ্ট্যগুলি বের করুন এবং তারপর সেই বৈশিষ্ট্যগুলিকে এনকোডারের মাধ্যমে পাস করুন৷
  • এনকোডার আউটপুট, লুকানো অবস্থা (0 তে আরম্ভ করা হয়েছে) এবং ডিকোডার ইনপুট (যা স্টার্ট টোকেন) ডিকোডারে পাঠানো হয়।
  • ডিকোডার পূর্বাভাস এবং ডিকোডার লুকানো অবস্থা প্রদান করে।
  • ডিকোডার লুকানো অবস্থা তারপর মডেলের মধ্যে পাস করা হয় এবং ভবিষ্যদ্বাণী ক্ষতি গণনা করতে ব্যবহার করা হয়.
  • ডিকোডারের পরবর্তী ইনপুট সিদ্ধান্ত নিতে শিক্ষক বাধ্যতামূলক ব্যবহার করুন।
  • শিক্ষক জোর করে এমন একটি কৌশল যেখানে লক্ষ্য শব্দটি ডিকোডারের পরবর্তী ইনপুট হিসাবে পাস করা হয়।
  • চূড়ান্ত ধাপ হল গ্রেডিয়েন্ট গণনা করা এবং এটি অপ্টিমাইজার এবং ব্যাকপ্রোপগেটে প্রয়োগ করা।
# 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 1.9157
Epoch 1 Batch 100 Loss 1.1384
Epoch 1 Batch 200 Loss 0.9826
Epoch 1 Batch 300 Loss 0.8792
Epoch 1 Loss 1.025084
Time taken for 1 epoch 153.68 sec

Epoch 2 Batch 0 Loss 0.8554
Epoch 2 Batch 100 Loss 0.8062
Epoch 2 Batch 200 Loss 0.7998
Epoch 2 Batch 300 Loss 0.6949
Epoch 2 Loss 0.775522
Time taken for 1 epoch 47.44 sec

Epoch 3 Batch 0 Loss 0.7251
Epoch 3 Batch 100 Loss 0.6746
Epoch 3 Batch 200 Loss 0.7269
Epoch 3 Batch 300 Loss 0.7025
Epoch 3 Loss 0.699518
Time taken for 1 epoch 47.78 sec

Epoch 4 Batch 0 Loss 0.6970
Epoch 4 Batch 100 Loss 0.6150
Epoch 4 Batch 200 Loss 0.6196
Epoch 4 Batch 300 Loss 0.6131
Epoch 4 Loss 0.650994
Time taken for 1 epoch 46.87 sec

Epoch 5 Batch 0 Loss 0.6139
Epoch 5 Batch 100 Loss 0.6305
Epoch 5 Batch 200 Loss 0.6493
Epoch 5 Batch 300 Loss 0.5535
Epoch 5 Loss 0.611642
Time taken for 1 epoch 45.06 sec

Epoch 6 Batch 0 Loss 0.6755
Epoch 6 Batch 100 Loss 0.5603
Epoch 6 Batch 200 Loss 0.5161
Epoch 6 Batch 300 Loss 0.5671
Epoch 6 Loss 0.578854
Time taken for 1 epoch 45.25 sec

Epoch 7 Batch 0 Loss 0.5575
Epoch 7 Batch 100 Loss 0.4937
Epoch 7 Batch 200 Loss 0.5625
Epoch 7 Batch 300 Loss 0.5456
Epoch 7 Loss 0.549154
Time taken for 1 epoch 44.85 sec

Epoch 8 Batch 0 Loss 0.5555
Epoch 8 Batch 100 Loss 0.5142
Epoch 8 Batch 200 Loss 0.4842
Epoch 8 Batch 300 Loss 0.5119
Epoch 8 Loss 0.519941
Time taken for 1 epoch 44.78 sec

Epoch 9 Batch 0 Loss 0.4790
Epoch 9 Batch 100 Loss 0.4654
Epoch 9 Batch 200 Loss 0.4568
Epoch 9 Batch 300 Loss 0.4468
Epoch 9 Loss 0.494242
Time taken for 1 epoch 44.99 sec

Epoch 10 Batch 0 Loss 0.4740
Epoch 10 Batch 100 Loss 0.4592
Epoch 10 Batch 200 Loss 0.4380
Epoch 10 Batch 300 Loss 0.4556
Epoch 10 Loss 0.468823
Time taken for 1 epoch 44.89 sec

Epoch 11 Batch 0 Loss 0.4488
Epoch 11 Batch 100 Loss 0.4423
Epoch 11 Batch 200 Loss 0.4317
Epoch 11 Batch 300 Loss 0.4371
Epoch 11 Loss 0.444164
Time taken for 1 epoch 45.02 sec

Epoch 12 Batch 0 Loss 0.4335
Epoch 12 Batch 100 Loss 0.4473
Epoch 12 Batch 200 Loss 0.3770
Epoch 12 Batch 300 Loss 0.4506
Epoch 12 Loss 0.421234
Time taken for 1 epoch 44.95 sec

Epoch 13 Batch 0 Loss 0.4289
Epoch 13 Batch 100 Loss 0.4215
Epoch 13 Batch 200 Loss 0.3689
Epoch 13 Batch 300 Loss 0.3864
Epoch 13 Loss 0.399234
Time taken for 1 epoch 45.16 sec

Epoch 14 Batch 0 Loss 0.4013
Epoch 14 Batch 100 Loss 0.3571
Epoch 14 Batch 200 Loss 0.3847
Epoch 14 Batch 300 Loss 0.3722
Epoch 14 Loss 0.379495
Time taken for 1 epoch 44.99 sec

Epoch 15 Batch 0 Loss 0.3879
Epoch 15 Batch 100 Loss 0.3652
Epoch 15 Batch 200 Loss 0.3025
Epoch 15 Batch 300 Loss 0.3522
Epoch 15 Loss 0.360756
Time taken for 1 epoch 44.96 sec

Epoch 16 Batch 0 Loss 0.3542
Epoch 16 Batch 100 Loss 0.3199
Epoch 16 Batch 200 Loss 0.3565
Epoch 16 Batch 300 Loss 0.3352
Epoch 16 Loss 0.344851
Time taken for 1 epoch 44.96 sec

Epoch 17 Batch 0 Loss 0.3681
Epoch 17 Batch 100 Loss 0.3477
Epoch 17 Batch 200 Loss 0.3025
Epoch 17 Batch 300 Loss 0.3349
Epoch 17 Loss 0.326141
Time taken for 1 epoch 44.89 sec

Epoch 18 Batch 0 Loss 0.3286
Epoch 18 Batch 100 Loss 0.3203
Epoch 18 Batch 200 Loss 0.3029
Epoch 18 Batch 300 Loss 0.2952
Epoch 18 Loss 0.309969
Time taken for 1 epoch 44.89 sec

Epoch 19 Batch 0 Loss 0.2942
Epoch 19 Batch 100 Loss 0.2920
Epoch 19 Batch 200 Loss 0.2899
Epoch 19 Batch 300 Loss 0.2875
Epoch 19 Loss 0.295664
Time taken for 1 epoch 46.18 sec

Epoch 20 Batch 0 Loss 0.2843
Epoch 20 Batch 100 Loss 0.2907
Epoch 20 Batch 200 Loss 0.2813
Epoch 20 Batch 300 Loss 0.2554
Epoch 20 Loss 0.283829
Time taken for 1 epoch 45.51 sec
plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()

png

ক্যাপশন!

  • মূল্যায়ন ফাংশনটি প্রশিক্ষণ লুপের অনুরূপ, আপনি এখানে শিক্ষক জোর করে ব্যবহার করবেন না। প্রতিটি ধাপে ডিকোডারে ইনপুটটি লুকানো অবস্থা এবং এনকোডার আউটপুট সহ এর পূর্ববর্তী পূর্বাভাস।
  • মডেল যখন শেষ টোকেন ভবিষ্যদ্বাণী করে তখন ভবিষ্যদ্বাণী করা বন্ধ করুন।
  • এবং প্রতিটি পদক্ষেপের জন্য মনোযোগ ওজন সংরক্ষণ করুন।
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> the bus is driving down the busy street. <end>
Prediction Caption: a bus is on the street <end>

png

আপনার নিজের ইমেজ এটি চেষ্টা করুন

মজার জন্য, নীচে আপনাকে এমন একটি পদ্ধতি প্রদান করা হয়েছে যা আপনি এইমাত্র প্রশিক্ষিত মডেলের সাথে আপনার নিজের ছবিগুলির ক্যাপশন দিতে ব্যবহার করতে পারেন৷ মনে রাখবেন, এটি তুলনামূলকভাবে অল্প পরিমাণ ডেটার উপর প্রশিক্ষিত ছিল এবং আপনার চিত্রগুলি প্রশিক্ষণের ডেটা থেকে আলাদা হতে পারে (তাই অদ্ভুত ফলাফলের জন্য প্রস্তুত থাকুন!)

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)
Prediction Caption: an image of a man with man standing wearing a [UNK] into the [UNK] <end>

png

png

পরবর্তী পদক্ষেপ

অভিনন্দন! আপনি মনোযোগ সহকারে একটি চিত্র ক্যাপশনিং মডেলকে প্রশিক্ষণ দিয়েছেন৷ এরপরে, মনোযোগ সহকারে নিউরাল মেশিন ট্রান্সলেশনের এই উদাহরণটি দেখুন। এটি স্প্যানিশ এবং ইংরেজি বাক্যের মধ্যে অনুবাদ করার জন্য একটি অনুরূপ স্থাপত্য ব্যবহার করে। আপনি একটি ভিন্ন ডেটাসেটে এই নোটবুকের কোড প্রশিক্ষণ দিয়ে পরীক্ষা করতে পারেন।