Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Subtitulado de imágenes con atención visual

Ver en TensorFlow.org Ejecutar en Google Colab Ver código fuente en GitHub Descargar cuaderno

Dada una imagen como el ejemplo a continuación, nuestro objetivo es generar una leyenda como "un surfista montando en una ola".

Hombre, surfing

Fuente de 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.

Predicción

La arquitectura del modelo es similar a Show, Attend and Tell: Neural Image Caption Generation with Visual Attention .

Este cuaderno es un ejemplo de principio a fin. Cuando ejecuta el portátil, descarga el conjunto de datos MS-COCO , procesa previamente y almacena en caché un subconjunto de imágenes usando Inception V3, entrena un modelo codificador-decodificador y genera subtítulos en nuevas imágenes usando el modelo entrenado.

En este ejemplo, entrenará un modelo en una cantidad relativamente pequeña de datos: los primeros 30,000 subtítulos para aproximadamente 20,000 imágenes (porque hay múltiples 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
# our model focuses on during captioning
import matplotlib.pyplot as plt

# Scikit-learn includes many helpful utilities
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
 

Descargue y prepare el conjunto de datos MS-COCO

Utilizará el conjunto de datos MS-COCO para entrenar nuestro 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 [==============================] - 54s 0us/step
Downloading data from http://images.cocodataset.org/zips/train2014.zip
13510574080/13510573713 [==============================] - 846s 0us/step

Opcional: limite el tamaño del conjunto de entrenamiento

Para acelerar el entrenamiento para este tutorial, usará un subconjunto de 30,000 subtítulos y sus imágenes correspondientes para entrenar a nuestro modelo. Elegir usar más datos daría como resultado una mejor calidad de subtítulos.

 # Read the json file
with open(annotation_file, 'r') as f:
    annotations = json.load(f)

# Store captions and image names in vectors
all_captions = []
all_img_name_vector = []

for annot in annotations['annotations']:
    caption = '<start> ' + annot['caption'] + ' <end>'
    image_id = annot['image_id']
    full_coco_image_path = PATH + 'COCO_train2014_' + '%012d.jpg' % (image_id)

    all_img_name_vector.append(full_coco_image_path)
    all_captions.append(caption)

# Shuffle captions and image_names together
# Set a random state
train_captions, img_name_vector = shuffle(all_captions,
                                          all_img_name_vector,
                                          random_state=1)

# Select the first 30000 captions from the shuffled set
num_examples = 30000
train_captions = train_captions[:num_examples]
img_name_vector = img_name_vector[:num_examples]
 
 len(train_captions), len(all_captions)
 
(30000, 414113)

Preprocesar las imágenes usando InceptionV3

A continuación, usará InceptionV3 (que está entrenado previamente en Imagenet) para clasificar cada imagen. Extraerá entidades de la última capa convolucional.

Primero, convertirá las imágenes al formato esperado de InceptionV3:

  • Cambiar el tamaño de la imagen a 299 px por 299 px
  • Preprocese las imágenes utilizando 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 a 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
 

Inicialice InceptionV3 y cargue los pesos pretratados de Imagenet

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 realiza esta inicialización durante el entrenamiento porque podría convertirse en un cuello de botella.

  • Reenvía cada imagen a través de la red y almacena el vector resultante en un diccionario (nombre_imagen -> vector_característica).
  • Después de que todas las imágenes pasan a través de la red, selecciona el diccionario y lo guarda 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, lo que requeriría 8 * 8 * 2048 flotantes por imagen. Al momento de escribir, esto excede las limitaciones de memoria de Colab (actualmente 12GB 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:

  1. instalar tqdm :

    !pip install -q tqdm

  2. Importar tqdm:

    from tqdm import tqdm

  3. Cambia 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.experimental.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

  • Primero, tokenizará los subtítulos (por ejemplo, dividiendo en espacios). Esto nos da un vocabulario de todas las palabras únicas en los datos (por ejemplo, "surf", "fútbol", etc.).
  • A continuación, limitará el tamaño del vocabulario a las 5,000 palabras principales (para ahorrar memoria). Reemplazará todas las demás palabras con el token "UNK" (desconocido).
  • Luego crea asignaciones de palabra a índice e índice a palabra.
  • Finalmente, rellena todas las secuencias para que tengan la misma longitud que la más larga.
 # Find the maximum length of any caption in our 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)
train_seqs = tokenizer.texts_to_sequences(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)
 

Divide los datos en entrenamiento y pruebas

 # Create training and validation sets using an 80-20 split
img_name_train, img_name_val, cap_train, cap_val = train_test_split(img_name_vector,
                                                                    cap_vector,
                                                                    test_size=0.2,
                                                                    random_state=0)
 
 len(img_name_train), len(cap_train), len(img_name_val), len(cap_val)
 
(24000, 24000, 6000, 6000)

Cree un conjunto de datos tf.data para capacitación

¡Nuestras imágenes y subtítulos están listos! A continuación, creemos un conjunto de datos tf.data para usar para entrenar nuestro modelo.

 # 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.experimental.AUTOTUNE)

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

Modelo

Dato curioso: el decodificador a continuación es idéntico al del ejemplo de Traducción Neural Automática 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 dándonos un vector de forma (8, 8, 2048).
  • Aplasta eso a una forma de (64, 2048).
  • Este vector se pasa a través del codificador CNN (que consiste en una sola capa totalmente conectada).
  • El RNN (aquí GRU) atiende 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)

    # 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)
    # you get 1 at the last axis because you are applying score to self.V
    attention_weights = tf.nn.softmax(self.V(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 using pickle
    # 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_)
 

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)
 

Formación

  • .npy las características almacenadas en los archivos .npy respectivos y luego pasa esas características a través del codificador.
  • La salida del codificador, el estado oculto (inicializado a 0) y la entrada del decodificador (que es el token de inicio) se pasa al decodificador.
  • El decodificador devuelve las predicciones y el estado oculto del decodificador.
  • El estado oculto del decodificador se devuelve al modelo y las predicciones se utilizan para calcular la pérdida.
  • Use el forzamiento del maestro para decidir la próxima entrada al decodificador.
  • El forzamiento del maestro es la técnica en la que se pasa la palabra objetivo como la siguiente entrada al decodificador.
  • El paso final es calcular los gradientes y aplicarlos al optimizador y propagar hacia atrás.
 # 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:
            print ('Epoch {} Batch {} Loss {:.4f}'.format(
              epoch + 1, batch, batch_loss.numpy() / int(target.shape[1])))
    # storing the epoch end loss value to plot later
    loss_plot.append(total_loss / num_steps)

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

    print ('Epoch {} Loss {:.6f}'.format(epoch + 1,
                                         total_loss/num_steps))
    print ('Time taken for 1 epoch {} sec\n'.format(time.time() - start))
 
Epoch 1 Batch 0 Loss 2.0353
Epoch 1 Batch 100 Loss 1.1504
Epoch 1 Batch 200 Loss 1.0132
Epoch 1 Batch 300 Loss 0.8632
Epoch 1 Loss 1.036979
Time taken for 1 epoch 84.20082116127014 sec

Epoch 2 Batch 0 Loss 0.8322
Epoch 2 Batch 100 Loss 0.8499
Epoch 2 Batch 200 Loss 0.7432
Epoch 2 Batch 300 Loss 0.7961
Epoch 2 Loss 0.794733
Time taken for 1 epoch 40.38337826728821 sec

Epoch 3 Batch 0 Loss 0.6972
Epoch 3 Batch 100 Loss 0.6913
Epoch 3 Batch 200 Loss 0.7208
Epoch 3 Batch 300 Loss 0.7084
Epoch 3 Loss 0.724426
Time taken for 1 epoch 39.279441833496094 sec

Epoch 4 Batch 0 Loss 0.6331
Epoch 4 Batch 100 Loss 0.7083
Epoch 4 Batch 200 Loss 0.6916
Epoch 4 Batch 300 Loss 0.6532
Epoch 4 Loss 0.680175
Time taken for 1 epoch 39.79264307022095 sec

Epoch 5 Batch 0 Loss 0.6305
Epoch 5 Batch 100 Loss 0.6787
Epoch 5 Batch 200 Loss 0.6435
Epoch 5 Batch 300 Loss 0.6258
Epoch 5 Loss 0.643881
Time taken for 1 epoch 39.353124380111694 sec

Epoch 6 Batch 0 Loss 0.6583
Epoch 6 Batch 100 Loss 0.5969
Epoch 6 Batch 200 Loss 0.5619
Epoch 6 Batch 300 Loss 0.5878
Epoch 6 Loss 0.611758
Time taken for 1 epoch 39.15430927276611 sec

Epoch 7 Batch 0 Loss 0.5402
Epoch 7 Batch 100 Loss 0.6199
Epoch 7 Batch 200 Loss 0.5505
Epoch 7 Batch 300 Loss 0.5843
Epoch 7 Loss 0.582367
Time taken for 1 epoch 38.97473073005676 sec

Epoch 8 Batch 0 Loss 0.5210
Epoch 8 Batch 100 Loss 0.5664
Epoch 8 Batch 200 Loss 0.5291
Epoch 8 Batch 300 Loss 0.5795
Epoch 8 Loss 0.553020
Time taken for 1 epoch 39.051162242889404 sec

Epoch 9 Batch 0 Loss 0.5827
Epoch 9 Batch 100 Loss 0.5725
Epoch 9 Batch 200 Loss 0.4846
Epoch 9 Batch 300 Loss 0.5844
Epoch 9 Loss 0.524622
Time taken for 1 epoch 38.89189028739929 sec

Epoch 10 Batch 0 Loss 0.4886
Epoch 10 Batch 100 Loss 0.4728
Epoch 10 Batch 200 Loss 0.4658
Epoch 10 Batch 300 Loss 0.5306
Epoch 10 Loss 0.495875
Time taken for 1 epoch 38.86496067047119 sec

Epoch 11 Batch 0 Loss 0.4643
Epoch 11 Batch 100 Loss 0.4812
Epoch 11 Batch 200 Loss 0.4653
Epoch 11 Batch 300 Loss 0.4613
Epoch 11 Loss 0.468651
Time taken for 1 epoch 40.937774419784546 sec

Epoch 12 Batch 0 Loss 0.4221
Epoch 12 Batch 100 Loss 0.4450
Epoch 12 Batch 200 Loss 0.4916
Epoch 12 Batch 300 Loss 0.4657
Epoch 12 Loss 0.444242
Time taken for 1 epoch 41.9663565158844 sec

Epoch 13 Batch 0 Loss 0.4433
Epoch 13 Batch 100 Loss 0.4715
Epoch 13 Batch 200 Loss 0.4021
Epoch 13 Batch 300 Loss 0.4067
Epoch 13 Loss 0.415613
Time taken for 1 epoch 40.30966353416443 sec

Epoch 14 Batch 0 Loss 0.4436
Epoch 14 Batch 100 Loss 0.3796
Epoch 14 Batch 200 Loss 0.3896
Epoch 14 Batch 300 Loss 0.3641
Epoch 14 Loss 0.389719
Time taken for 1 epoch 38.83861589431763 sec

Epoch 15 Batch 0 Loss 0.3780
Epoch 15 Batch 100 Loss 0.4144
Epoch 15 Batch 200 Loss 0.3730
Epoch 15 Batch 300 Loss 0.3471
Epoch 15 Loss 0.365708
Time taken for 1 epoch 38.95968770980835 sec

Epoch 16 Batch 0 Loss 0.3742
Epoch 16 Batch 100 Loss 0.3661
Epoch 16 Batch 200 Loss 0.3151
Epoch 16 Batch 300 Loss 0.3526
Epoch 16 Loss 0.343931
Time taken for 1 epoch 39.46759366989136 sec

Epoch 17 Batch 0 Loss 0.3413
Epoch 17 Batch 100 Loss 0.3728
Epoch 17 Batch 200 Loss 0.3372
Epoch 17 Batch 300 Loss 0.3074
Epoch 17 Loss 0.324182
Time taken for 1 epoch 39.95749092102051 sec

Epoch 18 Batch 0 Loss 0.3067
Epoch 18 Batch 100 Loss 0.3305
Epoch 18 Batch 200 Loss 0.3239
Epoch 18 Batch 300 Loss 0.3308
Epoch 18 Loss 0.304614
Time taken for 1 epoch 40.401132583618164 sec

Epoch 19 Batch 0 Loss 0.3197
Epoch 19 Batch 100 Loss 0.3203
Epoch 19 Batch 200 Loss 0.2832
Epoch 19 Batch 300 Loss 0.2809
Epoch 19 Loss 0.294781
Time taken for 1 epoch 40.4469633102417 sec

Epoch 20 Batch 0 Loss 0.2853
Epoch 20 Batch 100 Loss 0.2963
Epoch 20 Batch 200 Loss 0.2781
Epoch 20 Batch 300 Loss 0.3059
Epoch 20 Loss 0.274449
Time taken for 1 epoch 40.24236440658569 sec


 plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()
 

png

¡Subtítulo!

  • La función de evaluación es similar al ciclo de entrenamiento, excepto que aquí no se utiliza el forzamiento del maestro. La entrada al decodificador en cada paso de tiempo son sus predicciones anteriores 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([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 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()
 
 # 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> the giraffe is standing under a umbrella <end>
Prediction Caption: a large elephant is standing in a sandy area with trees in the corner <end>

png

Pruébalo en tus propias imágenes

Por diversión, a continuación proporcionamos un método que puede usar para subtitular sus propias imágenes con el modelo que acabamos de entrenar. Tenga en cuenta que fue entrenado en una cantidad relativamente pequeña de datos, y sus imágenes pueden ser diferentes de los datos de entrenamiento (¡así que prepárese para obtener 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: man in front of a big podium <end>

png

png

Próximos pasos

Felicidades! 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 entre oraciones en español y en inglés. También puede experimentar entrenando el código en este cuaderno en un conjunto de datos diferente.