सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

दृश्य ध्यान के साथ चित्र कैप्शनिंग

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

नीचे दिए गए उदाहरण की तरह एक छवि को देखते हुए, आपका लक्ष्य "लहर पर सवार एक सर्फर" जैसा कैप्शन उत्पन्न करना है।

मैन सर्फिंग

छवि स्रोत ; लाइसेंस: सार्वजनिक डोमेन

इसे पूरा करने के लिए, आप एक ध्यान-आधारित मॉडल का उपयोग करेंगे, जो हमें यह देखने में सक्षम बनाता है कि मॉडल छवि के किन हिस्सों पर ध्यान केंद्रित करता है क्योंकि यह एक कैप्शन बनाता है।

भविष्यवाणी

मॉडल वास्तुकला के समान है तंत्रिका छवि कैप्शन पीढ़ी दृश्य ध्यान के साथ: दिखाएँ, भाग लेने और बताओ

यह नोटबुक एंड-टू-एंड उदाहरण है। जब आप नोटबुक चलाने के लिए, इसके डाउनलोड MS-कोको डाटासेट, preprocesses और इंसेप्शन वी 3 का उपयोग कर छवियों का एक सबसेट कैश, एक एनकोडर-विकोडक मॉडल गाड़ियों, और प्रशिक्षित मॉडल का उपयोग कर नए चित्र पर कैप्शन उत्पन्न करता है।

इस उदाहरण में, आप एक मॉडल को अपेक्षाकृत कम मात्रा में डेटा पर प्रशिक्षित करेंगे- लगभग 20,000 छवियों के लिए पहले 30,000 कैप्शन (क्योंकि डेटासेट में प्रति छवि कई कैप्शन हैं)।

import tensorflow as tf

# You'll generate plots of attention in order to see which parts of an image
# your model focuses on during captioning
import matplotlib.pyplot as plt

import collections
import random
import numpy as np
import os
import time
import json
from PIL import Image

MS-COCO डेटासेट डाउनलोड करें और तैयार करें

आप का उपयोग करेगा MS-कोको डाटासेट अपने मॉडल प्रशिक्षित करने के लिए। डेटासेट में 82,000 से अधिक छवियां हैं, जिनमें से प्रत्येक में कम से कम 5 अलग-अलग कैप्शन एनोटेशन हैं। नीचे दिया गया कोड डेटासेट को स्वचालित रूप से डाउनलोड और निकालता है।

# 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 [==============================] - 795s 0us/step
13510582272/13510573713 [==============================] - 795s 0us/step

वैकल्पिक: प्रशिक्षण सेट के आकार को सीमित करें

इस ट्यूटोरियल के लिए प्रशिक्षण में तेजी लाने के लिए, आप अपने मॉडल को प्रशिक्षित करने के लिए 30,000 कैप्शन और उनकी संबंधित छवियों के सबसेट का उपयोग करेंगे। अधिक डेटा का उपयोग करने का चयन करने से कैप्शनिंग गुणवत्ता में सुधार होगा।

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 very long train on the tracks without much light. <end>

पीएनजी

InceptionV3 . का उपयोग करके छवियों को प्रीप्रोसेस करें

इसके बाद, आप प्रत्येक छवि को वर्गीकृत करने के लिए InceptionV3 (जो कि इमेजनेट पर पूर्व-प्रशिक्षित है) का उपयोग करेंगे। आप अंतिम दृढ़ परत से सुविधाओं को निकालेंगे।

सबसे पहले, आप इमेज को इंसेप्शनV3 के अपेक्षित प्रारूप में परिवर्तित करेंगे:

  • छवि का आकार बदलकर 299px गुणा 299px
  • Preprocess छवियों का उपयोग कर preprocess_input विधि छवि को सामान्य बनाने में इतना है कि यह की -1 1, जो InceptionV3 प्रशिक्षित करने के लिए इस्तेमाल किया छवियों के प्रारूप से मेल खाता तक की सीमा में पिक्सल में शामिल है।
def load_image(image_path):
    img = tf.io.read_file(image_path)
    img = tf.io.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

इंसेप्शनV3 को इनिशियलाइज़ करें और प्रीट्रेन्ड इमेजनेट वेट लोड करें

अब आप एक tf.keras मॉडल बनाएंगे, जहां InceptionV3 आर्किटेक्चर में आउटपुट लेयर अंतिम कनवल्शनल लेयर है। इस परत के उत्पादन के आकार है 8x8x2048 । आप अंतिम दृढ़ परत का उपयोग करते हैं क्योंकि आप इस उदाहरण में ध्यान का उपयोग कर रहे हैं। आप इस आरंभीकरण को प्रशिक्षण के दौरान नहीं करते हैं क्योंकि यह एक अड़चन बन सकता है।

  • आप नेटवर्क के माध्यम से प्रत्येक छवि को अग्रेषित करते हैं और परिणामी वेक्टर को एक शब्दकोश (image_name --> feature_vector) में संग्रहीत करते हैं।
  • नेटवर्क के माध्यम से सभी छवियों को पारित करने के बाद, आप डिक्शनरी को डिस्क पर सहेजते हैं।
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

इंसेप्शनV3 . से निकाली गई सुविधाओं को कैशिंग करना

आप प्रत्येक छवि को InceptionV3 के साथ प्री-प्रोसेस करेंगे और आउटपुट को डिस्क पर कैश करेंगे। रैम में आउटपुट को कैशिंग करना तेज होगा, लेकिन मेमोरी इंटेंसिव भी होगा, जिसके लिए प्रति इमेज 8 * 8 * 2048 फ्लोट की आवश्यकता होती है। लेखन के समय, यह Colab की मेमोरी सीमा (वर्तमान में 12GB मेमोरी) से अधिक है।

अधिक परिष्कृत कैशिंग रणनीति के साथ प्रदर्शन में सुधार किया जा सकता है (उदाहरण के लिए, रैंडम एक्सेस डिस्क I/O को कम करने के लिए छवियों को तेज करके), लेकिन इसके लिए अधिक कोड की आवश्यकता होगी।

कोलाब में GPU के साथ चलने में कैशिंग को लगभग 10 मिनट का समय लगेगा। यदि आप एक प्रगति पट्टी देखना चाहते हैं, तो आप यह कर सकते हैं:

  1. स्थापित tqdm :

    !pip install tqdm

  2. आयात tqdm:

    from tqdm import tqdm

  3. निम्न पंक्ति बदलें:

    for img, path in image_dataset:

    प्रति:

    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())

कैप्शन को प्रीप्रोसेस और टोकनाइज़ करें

  • सबसे पहले, आप कैप्शन को टोकन करेंगे (उदाहरण के लिए, रिक्त स्थान पर विभाजित करके)। यह हमें डेटा में सभी अद्वितीय शब्दों की शब्दावली देता है (उदाहरण के लिए, "सर्फिंग", "फुटबॉल", और इसी तरह)।
  • इसके बाद, आप शब्दावली के आकार को शीर्ष 5,000 शब्दों (स्मृति को बचाने के लिए) तक सीमित कर देंगे। आप अन्य सभी शब्दों को "UNK" (अज्ञात) टोकन से बदल देंगे।
  • फिर आप वर्ड-टू-इंडेक्स और इंडेक्स-टू-वर्ड मैपिंग बनाते हैं।
  • अंत में, आप सभी अनुक्रमों को सबसे लंबी लंबाई के समान लंबाई के लिए पैड करते हैं।
# Find the maximum length of any caption in the 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)
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)

डेटा को प्रशिक्षण और परीक्षण में विभाजित करें

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)
(24017, 24017, 6003, 6003)

प्रशिक्षण के लिए एक tf.data डेटासेट बनाएं

आपके चित्र और कैप्शन तैयार हैं! आगे, एक बना सकते हैं tf.data अपने मॉडल को प्रशिक्षण के लिए उपयोग करने के लिए डाटासेट।

# 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.AUTOTUNE)

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

आदर्श

मज़ेदार तथ्य: नीचे विकोडक के लिए उदाहरण में एक के समान है ध्यान के साथ तंत्रिका मशीन अनुवाद

मॉडल वास्तुकला से प्रेरित है शो, भाग लेने और टेल कागज।

  • इस उदाहरण में, आप इंसेप्शन V3 की निचली कन्वेन्शनल लेयर से फीचर्स निकालते हैं, जिससे हमें आकार का एक वेक्टर (8, 8, 2048) मिलता है।
  • आप इसे (64, 2048) के आकार में स्क्वैश करते हैं।
  • यह वेक्टर तब सीएनएन एनकोडर (जिसमें एक पूरी तरह से जुड़ी हुई परत होती है) के माध्यम से पारित किया जाता है।
  • अगले शब्द की भविष्यवाणी करने के लिए आरएनएन (यहां जीआरयू) छवि पर भाग लेता है।
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, 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_)

जांच की चौकी

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)

प्रशिक्षण

  • आप निकालने संबंधित में संग्रहीत सुविधाओं .npy फ़ाइलों और फिर एनकोडर के माध्यम से उन सुविधाओं गुजरती हैं।
  • एनकोडर आउटपुट, हिडन स्टेट (0 से इनिशियलाइज़्ड) और डिकोडर इनपुट (जो कि स्टार्ट टोकन है) डिकोडर को पास कर दिया जाता है।
  • डिकोडर भविष्यवाणियों और डिकोडर के छिपे हुए राज्य को लौटाता है।
  • डिकोडर छिपी हुई स्थिति को फिर मॉडल में वापस भेज दिया जाता है और नुकसान की गणना के लिए भविष्यवाणियों का उपयोग किया जाता है।
  • डिकोडर के लिए अगला इनपुट तय करने के लिए शिक्षक बल का प्रयोग करें।
  • टीचर फोर्सिंग वह तकनीक है जहां लक्ष्य शब्द को डिकोडर के अगले इनपुट के रूप में पास किया जाता है।
  • अंतिम चरण ग्रेडिएंट की गणना करना और इसे ऑप्टिमाइज़र और बैकप्रोपेगेट पर लागू करना है।
# 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:
            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 2.0182
Epoch 1 Batch 100 Loss 1.0458
Epoch 1 Batch 200 Loss 0.9401
Epoch 1 Batch 300 Loss 0.8349
Epoch 1 Loss 1.015788
Time taken for 1 epoch 143.32 sec

Epoch 2 Batch 0 Loss 0.8371
Epoch 2 Batch 100 Loss 0.7207
Epoch 2 Batch 200 Loss 0.8596
Epoch 2 Batch 300 Loss 0.7751
Epoch 2 Loss 0.772248
Time taken for 1 epoch 46.74 sec

Epoch 3 Batch 0 Loss 0.7620
Epoch 3 Batch 100 Loss 0.7014
Epoch 3 Batch 200 Loss 0.6455
Epoch 3 Batch 300 Loss 0.6229
Epoch 3 Loss 0.696630
Time taken for 1 epoch 46.76 sec

Epoch 4 Batch 0 Loss 0.7225
Epoch 4 Batch 100 Loss 0.6594
Epoch 4 Batch 200 Loss 0.7152
Epoch 4 Batch 300 Loss 0.6822
Epoch 4 Loss 0.649376
Time taken for 1 epoch 48.71 sec

Epoch 5 Batch 0 Loss 0.6595
Epoch 5 Batch 100 Loss 0.6266
Epoch 5 Batch 200 Loss 0.5742
Epoch 5 Batch 300 Loss 0.6266
Epoch 5 Loss 0.609125
Time taken for 1 epoch 46.72 sec

Epoch 6 Batch 0 Loss 0.6315
Epoch 6 Batch 100 Loss 0.5590
Epoch 6 Batch 200 Loss 0.5991
Epoch 6 Batch 300 Loss 0.5937
Epoch 6 Loss 0.576173
Time taken for 1 epoch 47.20 sec

Epoch 7 Batch 0 Loss 0.5468
Epoch 7 Batch 100 Loss 0.5491
Epoch 7 Batch 200 Loss 0.5973
Epoch 7 Batch 300 Loss 0.5055
Epoch 7 Loss 0.545744
Time taken for 1 epoch 46.78 sec

Epoch 8 Batch 0 Loss 0.5396
Epoch 8 Batch 100 Loss 0.5099
Epoch 8 Batch 200 Loss 0.5155
Epoch 8 Batch 300 Loss 0.5184
Epoch 8 Loss 0.517781
Time taken for 1 epoch 47.09 sec

Epoch 9 Batch 0 Loss 0.5564
Epoch 9 Batch 100 Loss 0.4831
Epoch 9 Batch 200 Loss 0.5242
Epoch 9 Batch 300 Loss 0.5074
Epoch 9 Loss 0.491817
Time taken for 1 epoch 47.33 sec

Epoch 10 Batch 0 Loss 0.5594
Epoch 10 Batch 100 Loss 0.4628
Epoch 10 Batch 200 Loss 0.4929
Epoch 10 Batch 300 Loss 0.4092
Epoch 10 Loss 0.468157
Time taken for 1 epoch 50.05 sec

Epoch 11 Batch 0 Loss 0.4717
Epoch 11 Batch 100 Loss 0.4652
Epoch 11 Batch 200 Loss 0.4518
Epoch 11 Batch 300 Loss 0.4027
Epoch 11 Loss 0.444083
Time taken for 1 epoch 49.64 sec

Epoch 12 Batch 0 Loss 0.4736
Epoch 12 Batch 100 Loss 0.4340
Epoch 12 Batch 200 Loss 0.4360
Epoch 12 Batch 300 Loss 0.3910
Epoch 12 Loss 0.422930
Time taken for 1 epoch 49.40 sec

Epoch 13 Batch 0 Loss 0.4415
Epoch 13 Batch 100 Loss 0.4012
Epoch 13 Batch 200 Loss 0.4012
Epoch 13 Batch 300 Loss 0.4083
Epoch 13 Loss 0.400933
Time taken for 1 epoch 46.93 sec

Epoch 14 Batch 0 Loss 0.4171
Epoch 14 Batch 100 Loss 0.3551
Epoch 14 Batch 200 Loss 0.3756
Epoch 14 Batch 300 Loss 0.3629
Epoch 14 Loss 0.381658
Time taken for 1 epoch 47.99 sec

Epoch 15 Batch 0 Loss 0.3761
Epoch 15 Batch 100 Loss 0.3958
Epoch 15 Batch 200 Loss 0.3563
Epoch 15 Batch 300 Loss 0.3671
Epoch 15 Loss 0.362227
Time taken for 1 epoch 47.82 sec

Epoch 16 Batch 0 Loss 0.3684
Epoch 16 Batch 100 Loss 0.3528
Epoch 16 Batch 200 Loss 0.3344
Epoch 16 Batch 300 Loss 0.3239
Epoch 16 Loss 0.346299
Time taken for 1 epoch 48.80 sec

Epoch 17 Batch 0 Loss 0.3399
Epoch 17 Batch 100 Loss 0.3339
Epoch 17 Batch 200 Loss 0.3464
Epoch 17 Batch 300 Loss 0.2917
Epoch 17 Loss 0.330310
Time taken for 1 epoch 48.89 sec

Epoch 18 Batch 0 Loss 0.3267
Epoch 18 Batch 100 Loss 0.3435
Epoch 18 Batch 200 Loss 0.2867
Epoch 18 Batch 300 Loss 0.2923
Epoch 18 Loss 0.315087
Time taken for 1 epoch 48.70 sec

Epoch 19 Batch 0 Loss 0.3377
Epoch 19 Batch 100 Loss 0.2811
Epoch 19 Batch 200 Loss 0.3111
Epoch 19 Batch 300 Loss 0.3143
Epoch 19 Loss 0.299675
Time taken for 1 epoch 48.44 sec

Epoch 20 Batch 0 Loss 0.3191
Epoch 20 Batch 100 Loss 0.2566
Epoch 20 Batch 200 Loss 0.3144
Epoch 20 Batch 300 Loss 0.2959
Epoch 20 Loss 0.286692
Time taken for 1 epoch 46.53 sec
plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()

पीएनजी

शीर्षक!

  • मूल्यांकन फ़ंक्शन प्रशिक्षण लूप के समान है, सिवाय इसके कि आप यहां शिक्षक बल का उपयोग नहीं करते हैं। हर समय कदम पर डिकोडर का इनपुट उसकी पिछली भविष्यवाणी के साथ-साथ छिपी हुई स्थिति और एनकोडर आउटपुट होता है।
  • जब मॉडल अंतिम टोकन की भविष्यवाणी करता है तो भविष्यवाणी करना बंद कर दें।
  • और हर बार स्टेप के लिए अटेंशन वेट स्टोर करें।
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 i in range(len_result):
        temp_att = np.resize(attention_plot[i], (8, 8))
        grid_size = max(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([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> a couple of men standing next to each other <end>
Prediction Caption: a group of people besides his horse and holding hay <end>
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/ipykernel_launcher.py:10: MatplotlibDeprecationWarning: Passing non-integers as three-element position specification is deprecated since 3.3 and will be removed two minor releases later.
  # Remove the CWD from sys.path while we load stuff.

पीएनजी

इसे अपनी छवियों पर आज़माएं

मनोरंजन के लिए, नीचे आपको एक विधि प्रदान की गई है जिसका उपयोग आप अपनी छवियों को उस मॉडल के साथ कैप्शन देने के लिए कर सकते हैं जिसे आपने अभी-अभी प्रशिक्षित किया है। ध्यान रखें, इसे अपेक्षाकृत कम मात्रा में डेटा पर प्रशिक्षित किया गया था, और आपकी छवियां प्रशिक्षण डेटा से भिन्न हो सकती हैं (इसलिए अजीब परिणामों के लिए तैयार रहें!)

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: surfer rides on in the crest <end>
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/ipykernel_launcher.py:10: MatplotlibDeprecationWarning: Passing non-integers as three-element position specification is deprecated since 3.3 and will be removed two minor releases later.
  # Remove the CWD from sys.path while we load stuff.

पीएनजी

पीएनजी

अगला कदम

बधाई! आपने अभी-अभी एक इमेज कैप्शनिंग मॉडल को ध्यान से प्रशिक्षित किया है। इसके बाद, इस उदाहरण पर एक नज़र डालें तंत्रिका मशीन अनुवाद ध्यान के साथ । यह स्पेनिश और अंग्रेजी वाक्यों के बीच अनुवाद करने के लिए एक समान वास्तुकला का उपयोग करता है। आप किसी भिन्न डेटासेट पर इस नोटबुक में कोड को प्रशिक्षित करने के साथ प्रयोग भी कर सकते हैं।