 Ver en TensorFlow.org |  Ejecutar en Google Colab |  Ver fuente en GitHub |  Descargar libreta |
Dada una imagen como la del ejemplo a continuación, su objetivo es generar una leyenda como "un surfista montando una ola".
Fuente de la imagen ; Licencia: Dominio Público
Para lograr esto, utilizará un modelo basado en la atención, que nos permite ver en qué partes de la imagen se enfoca el modelo a medida que genera una leyenda.
La arquitectura del modelo es similar a Mostrar, atender y contar: generación de leyendas de imágenes neuronales con atención visual .
Este cuaderno es un ejemplo de extremo a extremo. Cuando ejecuta el cuaderno, descarga el conjunto de datos de MS-COCO , procesa previamente y almacena en caché un subconjunto de imágenes utilizando Inception V3, entrena un modelo de codificador-descodificador y genera subtítulos en nuevas imágenes utilizando el modelo entrenado.
En este ejemplo, entrenará un modelo con una cantidad de datos relativamente pequeña: los primeros 30 000 subtítulos para unas 20 000 imágenes (porque hay varios subtítulos por imagen en el conjunto de datos).
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
Descargue y prepare el conjunto de datos MS-COCO
Utilizará el conjunto de datos MS-COCO para entrenar su modelo. El conjunto de datos contiene más de 82 000 imágenes, cada una de las cuales tiene al menos 5 anotaciones de subtítulos diferentes. El siguiente código descarga y extrae el conjunto de datos automáticamente.
# 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
Opcional: limitar el tamaño del conjunto de entrenamiento
Para acelerar el entrenamiento de este tutorial, utilizará un subconjunto de 30 000 subtítulos y sus imágenes correspondientes para entrenar su modelo. La elección de utilizar más datos daría como resultado una mejor calidad de los subtítulos.
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>
Preprocesar las imágenes usando InceptionV3
A continuación, utilizará InceptionV3 (previamente entrenado en Imagenet) para clasificar cada imagen. Extraerá entidades de la última capa convolucional.
Primero, convertirá las imágenes al formato esperado de InceptionV3 al:
- Cambiar el tamaño de la imagen a 299 px por 299 px
- Preprocesar las imágenes mediante el método preprocess_input para normalizar la imagen de modo que contenga píxeles en el rango de -1 a 1, que coincide con el formato de las imágenes utilizadas para entrenar 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
Inicialice InceptionV3 y cargue los pesos Imagenet preentrenados
Ahora creará un modelo tf.keras donde la capa de salida es la última capa convolucional en la arquitectura InceptionV3. La forma de la salida de esta capa es 8x8x2048 . Utiliza la última capa convolucional porque está utilizando la atención en este ejemplo. No realice esta inicialización durante el entrenamiento porque podría convertirse en un cuello de botella.
- Reenvías cada imagen a través de la red y almacenas el vector resultante en un diccionario (image_name --> feature_vector).
- Después de que todas las imágenes hayan pasado a través de la red, guarde el diccionario en el disco.
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)
Almacenamiento en caché de las características extraídas de InceptionV3
Preprocesará cada imagen con InceptionV3 y almacenará en caché la salida en el disco. El almacenamiento en caché de la salida en RAM sería más rápido pero también requeriría mucha memoria, ya que requeriría 8 * 8 * 2048 flotantes por imagen. En el momento de escribir este artículo, esto supera las limitaciones de memoria de Colab (actualmente 12 GB de memoria).
El rendimiento podría mejorarse con una estrategia de almacenamiento en caché más sofisticada (por ejemplo, fragmentando las imágenes para reducir la E/S del disco de acceso aleatorio), pero eso requeriría más código.
El almacenamiento en caché tardará unos 10 minutos en ejecutarse en Colab con una GPU. Si desea ver una barra de progreso, puede:
Instalar tqdm :
!pip install tqdmImportar tqdm:
from tqdm import tqdmCambia la siguiente línea:
for img, path in image_dataset:a:
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())
Preprocesar y tokenizar los subtítulos
Transformará las leyendas de texto en secuencias enteras usando la capa TextVectorization , con los siguientes pasos:
- Use adapt para iterar sobre todos los subtítulos, dividir los subtítulos en palabras y calcular un vocabulario de las 5000 palabras principales (para ahorrar memoria).
- Tokenice todos los subtítulos asignando cada palabra a su índice en el vocabulario. Todas las secuencias de salida se rellenarán hasta una longitud de 50.
- Cree asignaciones de palabra a índice y de índice a palabra para mostrar los resultados.
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)
Dividir los datos en entrenamiento y prueba
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)
Crear un conjunto de datos tf.data para entrenamiento
¡Tus imágenes y subtítulos están listos! A continuación, creemos un conjunto de datos tf.data para usar para entrenar su modelo.
# 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)
Modelo
Dato curioso: el decodificador a continuación es idéntico al del ejemplo de traducción automática neuronal con atención .
La arquitectura del modelo está inspirada en el papel Show, Attend and Tell .
- En este ejemplo, extrae las características de la capa convolucional inferior de InceptionV3 y nos proporciona un vector de forma (8, 8, 2048).
- Lo aplastas a una forma de (64, 2048).
- Luego, este vector se pasa a través del codificador CNN (que consta de una sola capa completamente conectada).
- El RNN (aquí GRU) atiende sobre la imagen para predecir la siguiente palabra.
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_)
Control
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)
Capacitación
- Extrae las funciones almacenadas en los respectivos archivos
.npyy luego pasa esas funciones a través del codificador. - La salida del codificador, el estado oculto (inicializado en 0) y la entrada del decodificador (que es el token de inicio) se pasan al decodificador.
- El decodificador devuelve las predicciones y el estado oculto del decodificador.
- El estado oculto del decodificador luego se vuelve a pasar al modelo y las predicciones se usan para calcular la pérdida.
- Utilice la fuerza del maestro para decidir la siguiente entrada al decodificador.
- El forzado del maestro es la técnica en la que la palabra objetivo se pasa como la siguiente entrada al decodificador.
- El paso final es calcular los gradientes y aplicarlos al optimizador y retropropagar.
# 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()
¡Subtítulo!
- La función de evaluación es similar al ciclo de entrenamiento, excepto que aquí no usa el forzado del maestro. La entrada al decodificador en cada paso de tiempo son sus predicciones previas junto con el estado oculto y la salida del codificador.
- Deje de predecir cuando el modelo predice el token final.
- Y almacene los pesos de atención para cada paso de tiempo.
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>
Pruébelo en sus propias imágenes
Por diversión, a continuación se le proporciona un método que puede usar para subtitular sus propias imágenes con el modelo que acaba de entrenar. Tenga en cuenta que se entrenó con una cantidad de datos relativamente pequeña, y sus imágenes pueden ser diferentes de los datos de entrenamiento (¡así que prepárese para resultados extraños!)
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>
Próximos pasos
¡Felicitaciones! Acaba de entrenar un modelo de subtítulos de imágenes con atención. A continuación, eche un vistazo a este ejemplo de traducción automática neuronal con atención . Utiliza una arquitectura similar para traducir oraciones entre español e inglés. También puede experimentar entrenando el código en este cuaderno en un conjunto de datos diferente.