Google I/O est terminé ! Suivez les sessions TensorFlow Afficher les sessions

Légende d'image avec attention visuelle

Voir sur TensorFlow.org Exécuter dans Google Colab Voir la source sur GitHub Télécharger le cahier

Étant donné une image comme l'exemple ci-dessous, votre objectif est de générer une légende telle que "un surfeur sur une vague".

homme, surfer

source d'images ; Licence : domaine public

Pour ce faire, vous utiliserez un modèle basé sur l'attention, qui nous permet de voir sur quelles parties de l'image le modèle se concentre lorsqu'il génère une légende.

Prédiction

L'architecture du modèle est similaire à Show, Attend and Tell: Neural Image Caption Generation with Visual Attention .

Ce bloc-notes est un exemple de bout en bout. Lorsque vous exécutez le bloc-notes, il télécharge le jeu de données MS-COCO , prétraite et met en cache un sous-ensemble d'images à l'aide d'Inception V3, forme un modèle d'encodeur-décodeur et génère des légendes sur les nouvelles images à l'aide du modèle formé.

Dans cet exemple, vous entraînerez un modèle sur une quantité relativement faible de données : les 30 000 premières légendes pour environ 20 000 images (car il existe plusieurs légendes par image dans le jeu de données).

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

Télécharger et préparer le jeu de données MS-COCO

Vous utiliserez l'ensemble de données MS-COCO pour entraîner votre modèle. L'ensemble de données contient plus de 82 000 images, chacune ayant au moins 5 annotations de légende différentes. Le code ci-dessous télécharge et extrait automatiquement le jeu de données.

# 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

Facultatif : limiter la taille de l'ensemble d'apprentissage

Pour accélérer la formation de ce didacticiel, vous utiliserez un sous-ensemble de 30 000 légendes et leurs images correspondantes pour former votre modèle. Choisir d'utiliser plus de données améliorerait la qualité du sous-titrage.

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

Prétraiter les images avec InceptionV3

Ensuite, vous utiliserez InceptionV3 (qui est pré-entraîné sur Imagenet) pour classer chaque image. Vous allez extraire les caractéristiques de la dernière couche convolutive.

Tout d'abord, vous allez convertir les images au format attendu d'InceptionV3 en :

  • Redimensionner l'image à 299px par 299px
  • Prétraitez les images à l'aide de la méthode preprocess_input pour normaliser l'image afin qu'elle contienne des pixels compris entre -1 et 1, ce qui correspond au format des images utilisées pour former 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

Initialisez InceptionV3 et chargez les pondérations Imagenet pré-entraînées

Vous allez maintenant créer un modèle tf.keras où la couche de sortie est la dernière couche convolutive de l'architecture InceptionV3. La forme de la sortie de cette couche est 8x8x2048 . Vous utilisez la dernière couche convolutive parce que vous utilisez l'attention dans cet exemple. Vous n'effectuez pas cette initialisation pendant la formation car cela pourrait devenir un goulot d'étranglement.

  • Vous transmettez chaque image à travers le réseau et stockez le vecteur résultant dans un dictionnaire (image_name --> feature_vector).
  • Une fois toutes les images passées sur le réseau, vous enregistrez le dictionnaire sur le disque.
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)

Mise en cache des fonctionnalités extraites d'InceptionV3

Vous prétraiterez chaque image avec InceptionV3 et mettrez en cache la sortie sur le disque. La mise en cache de la sortie dans la RAM serait plus rapide mais aussi gourmande en mémoire, nécessitant 8 * 8 * 2048 flottants par image. Au moment de la rédaction, cela dépasse les limites de mémoire de Colab (actuellement 12 Go de mémoire).

Les performances pourraient être améliorées avec une stratégie de mise en cache plus sophistiquée (par exemple, en partitionnant les images pour réduire les E/S de disque à accès aléatoire), mais cela nécessiterait plus de code.

La mise en cache prendra environ 10 minutes pour s'exécuter dans Colab avec un GPU. Si vous souhaitez voir une barre de progression, vous pouvez :

  1. Installez tqdm :

    !pip install tqdm

  2. Importer tqdm :

    from tqdm import tqdm

  3. Modifiez la ligne suivante :

    for img, path in image_dataset:

    à:

    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())

Prétraiter et tokeniser les sous-titres

Vous transformerez les légendes de texte en séquences d'entiers à l'aide de la couche TextVectorization , en procédant comme suit :

  • Utilisez adapter pour itérer sur toutes les légendes, diviser les légendes en mots et calculer un vocabulaire des 5 000 premiers mots (pour économiser de la mémoire).
  • Marquez toutes les légendes en mappant chaque mot à son index dans le vocabulaire. Toutes les séquences de sortie seront complétées à la longueur 50.
  • Créez des mappages mot-index et index-mot pour afficher les résultats.
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)

Divisez les données en formation et en test

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)

Créer un ensemble de données tf.data pour la formation

Vos images et légendes sont prêtes ! Ensuite, créons un jeu de données tf.data à utiliser pour entraîner votre modèle.

# 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)

Modèle

Fait amusant : le décodeur ci-dessous est identique à celui de l'exemple de Neural Machine Translation with Attention .

L'architecture du modèle est inspirée du document Show, Attend and Tell .

  • Dans cet exemple, vous extrayez les caractéristiques de la couche convolutionnelle inférieure d'InceptionV3 en nous donnant un vecteur de forme (8, 8, 2048).
  • Vous écrasez cela en une forme de (64, 2048).
  • Ce vecteur passe ensuite par l'encodeur CNN (qui consiste en une seule couche entièrement connectée).
  • Le RNN (ici GRU) surveille l'image pour prédire le mot suivant.
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_)

Point de contrôle

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)

Entraînement

  • Vous extrayez les fonctionnalités stockées dans les fichiers .npy respectifs, puis transmettez ces fonctionnalités via l'encodeur.
  • La sortie du codeur, l'état caché (initialisé à 0) et l'entrée du décodeur (qui est le jeton de démarrage) sont transmises au décodeur.
  • Le décodeur renvoie les prédictions et l'état caché du décodeur.
  • L'état caché du décodeur est ensuite renvoyé dans le modèle et les prédictions sont utilisées pour calculer la perte.
  • Utilisez le forçage de l'enseignant pour décider de la prochaine entrée dans le décodeur.
  • Le forçage de l'enseignant est la technique dans laquelle le mot cible est transmis comme entrée suivante au décodeur.
  • La dernière étape consiste à calculer les gradients et à les appliquer à l'optimiseur et à la rétropropagation.
# 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

Légende!

  • La fonction d'évaluation est similaire à la boucle d'entraînement, sauf que vous n'utilisez pas le forçage de l'enseignant ici. L'entrée du décodeur à chaque pas de temps correspond à ses prédictions précédentes ainsi qu'à l'état caché et à la sortie du codeur.
  • Arrêtez de prédire lorsque le modèle prédit le jeton de fin.
  • Et stockez les pondérations d'attention pour chaque pas de temps.
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

Essayez-le sur vos propres images

Pour le plaisir, vous trouverez ci-dessous une méthode que vous pouvez utiliser pour sous-titrer vos propres images avec le modèle que vous venez de former. Gardez à l'esprit qu'il a été formé sur une quantité relativement faible de données et que vos images peuvent être différentes des données de formation (préparez-vous donc à des résultats étranges !)

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

Prochaines étapes

Félicitations! Vous venez de former un modèle de sous-titrage d'image avec attention. Ensuite, jetez un œil à cet exemple de traduction automatique neuronale avec attention . Il utilise une architecture similaire pour traduire entre les phrases espagnoles et anglaises. Vous pouvez également tester l'entraînement du code de ce bloc-notes sur un ensemble de données différent.