Ayuda a proteger la Gran Barrera de Coral con TensorFlow en Kaggle Únete Challenge

Subtítulos de imágenes con atención visual

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".

hombre surf

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.

Predicción

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 [==============================] - 823s 0us/step
13510582272/13510573713 [==============================] - 823s 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 baseball team congratulate each other on the field. <end>

png

Preprocesar las imágenes usando InceptionV3

A continuación, utilizará InceptionV3 (previamente entrenado en Imagenet) para clasificar cada imagen. Extraerá características 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)
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/inception_v3/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
87916544/87910968 [==============================] - 2s 0us/step
87924736/87910968 [==============================] - 2s 0us/step

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:

  1. Instalar tqdm :

    !pip install 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.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)
(24013, 24013, 6002, 6002)

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 .npy y 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 1.8456
Epoch 1 Batch 100 Loss 1.0777
Epoch 1 Batch 200 Loss 0.9622
Epoch 1 Batch 300 Loss 0.8434
Epoch 1 Loss 1.014586
Time taken for 1 epoch 138.65 sec

Epoch 2 Batch 0 Loss 0.8335
Epoch 2 Batch 100 Loss 0.8837
Epoch 2 Batch 200 Loss 0.7463
Epoch 2 Batch 300 Loss 0.7511
Epoch 2 Loss 0.777150
Time taken for 1 epoch 44.74 sec

Epoch 3 Batch 0 Loss 0.7390
Epoch 3 Batch 100 Loss 0.7585
Epoch 3 Batch 200 Loss 0.6950
Epoch 3 Batch 300 Loss 0.7005
Epoch 3 Loss 0.701813
Time taken for 1 epoch 44.45 sec

Epoch 4 Batch 0 Loss 0.6982
Epoch 4 Batch 100 Loss 0.6722
Epoch 4 Batch 200 Loss 0.6755
Epoch 4 Batch 300 Loss 0.6401
Epoch 4 Loss 0.653093
Time taken for 1 epoch 44.19 sec

Epoch 5 Batch 0 Loss 0.6415
Epoch 5 Batch 100 Loss 0.6135
Epoch 5 Batch 200 Loss 0.5888
Epoch 5 Batch 300 Loss 0.5981
Epoch 5 Loss 0.615233
Time taken for 1 epoch 45.75 sec

Epoch 6 Batch 0 Loss 0.6065
Epoch 6 Batch 100 Loss 0.6230
Epoch 6 Batch 200 Loss 0.5508
Epoch 6 Batch 300 Loss 0.5959
Epoch 6 Loss 0.581023
Time taken for 1 epoch 47.52 sec

Epoch 7 Batch 0 Loss 0.6380
Epoch 7 Batch 100 Loss 0.5746
Epoch 7 Batch 200 Loss 0.5576
Epoch 7 Batch 300 Loss 0.5388
Epoch 7 Loss 0.551511
Time taken for 1 epoch 47.96 sec

Epoch 8 Batch 0 Loss 0.5271
Epoch 8 Batch 100 Loss 0.5487
Epoch 8 Batch 200 Loss 0.5278
Epoch 8 Batch 300 Loss 0.5051
Epoch 8 Loss 0.523634
Time taken for 1 epoch 48.34 sec

Epoch 9 Batch 0 Loss 0.5387
Epoch 9 Batch 100 Loss 0.5466
Epoch 9 Batch 200 Loss 0.5317
Epoch 9 Batch 300 Loss 0.5031
Epoch 9 Loss 0.495649
Time taken for 1 epoch 48.90 sec

Epoch 10 Batch 0 Loss 0.4812
Epoch 10 Batch 100 Loss 0.4890
Epoch 10 Batch 200 Loss 0.4800
Epoch 10 Batch 300 Loss 0.4306
Epoch 10 Loss 0.470460
Time taken for 1 epoch 47.05 sec

Epoch 11 Batch 0 Loss 0.4595
Epoch 11 Batch 100 Loss 0.5130
Epoch 11 Batch 200 Loss 0.4837
Epoch 11 Batch 300 Loss 0.4131
Epoch 11 Loss 0.445139
Time taken for 1 epoch 47.19 sec

Epoch 12 Batch 0 Loss 0.4641
Epoch 12 Batch 100 Loss 0.4102
Epoch 12 Batch 200 Loss 0.4096
Epoch 12 Batch 300 Loss 0.4063
Epoch 12 Loss 0.421503
Time taken for 1 epoch 45.00 sec

Epoch 13 Batch 0 Loss 0.4452
Epoch 13 Batch 100 Loss 0.4459
Epoch 13 Batch 200 Loss 0.4030
Epoch 13 Batch 300 Loss 0.3882
Epoch 13 Loss 0.400453
Time taken for 1 epoch 46.19 sec

Epoch 14 Batch 0 Loss 0.4027
Epoch 14 Batch 100 Loss 0.3852
Epoch 14 Batch 200 Loss 0.3856
Epoch 14 Batch 300 Loss 0.3698
Epoch 14 Loss 0.379271
Time taken for 1 epoch 45.01 sec

Epoch 15 Batch 0 Loss 0.4088
Epoch 15 Batch 100 Loss 0.4009
Epoch 15 Batch 200 Loss 0.3582
Epoch 15 Batch 300 Loss 0.3935
Epoch 15 Loss 0.361601
Time taken for 1 epoch 46.80 sec

Epoch 16 Batch 0 Loss 0.3429
Epoch 16 Batch 100 Loss 0.3767
Epoch 16 Batch 200 Loss 0.3294
Epoch 16 Batch 300 Loss 0.3133
Epoch 16 Loss 0.341073
Time taken for 1 epoch 47.21 sec

Epoch 17 Batch 0 Loss 0.3515
Epoch 17 Batch 100 Loss 0.3071
Epoch 17 Batch 200 Loss 0.3077
Epoch 17 Batch 300 Loss 0.3125
Epoch 17 Loss 0.325189
Time taken for 1 epoch 46.71 sec

Epoch 18 Batch 0 Loss 0.3130
Epoch 18 Batch 100 Loss 0.3286
Epoch 18 Batch 200 Loss 0.2938
Epoch 18 Batch 300 Loss 0.3057
Epoch 18 Loss 0.309311
Time taken for 1 epoch 45.67 sec

Epoch 19 Batch 0 Loss 0.2724
Epoch 19 Batch 100 Loss 0.3337
Epoch 19 Batch 200 Loss 0.2802
Epoch 19 Batch 300 Loss 0.2969
Epoch 19 Loss 0.293295
Time taken for 1 epoch 45.10 sec

Epoch 20 Batch 0 Loss 0.2915
Epoch 20 Batch 100 Loss 0.2914
Epoch 20 Batch 200 Loss 0.2780
Epoch 20 Batch 300 Loss 0.2671
Epoch 20 Loss 0.280478
Time taken for 1 epoch 45.18 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 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> a close up of a banana on a bed <end>
Prediction Caption: a banana attached are next to a single [UNK] <end>

png

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)
Downloading data from https://tensorflow.org/images/surf.jpg
65536/64400 [==============================] - 0s 5us/step
73728/64400 [==================================] - 0s 4us/step
Prediction Caption: a man surfing on surf board on a wave. <end>

png

png

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.