עזרה להגן על שונית המחסום הגדולה עם TensorFlow על Kaggle הצטרפו אתגר

כיתוב תמונה עם תשומת לב חזותית

הצג באתר TensorFlow.org הפעל בגוגל קולאב צפה במקור ב-GitHub הורד מחברת

בהינתן תמונה כמו הדוגמה למטה, המטרה שלך היא ליצור כיתוב כגון "גולש רוכב על גל".

גבר גולש

מקור תמונה ; רישיון: תחום ציבורי

כדי להשיג זאת, תשתמש במודל מבוסס תשומת לב, המאפשר לנו לראות באילו חלקים בתמונה המודל מתמקד בזמן שהוא יוצר כיתוב.

נְבוּאָה

ארכיטקטורת המודל דומה צג, להשתתף יגיד: דור כיתוב תמונה העצבית עם קשב חזותי .

מחברת זו היא דוגמה מקצה לקצה. כאשר אתה מפעיל את המחשב הנייד, זה מוריד את MS-COCO הנתונים, עיבוד מקדים והטמנה של תת-קבוצה של תמונות באמצעות Inception V3, רכבות מודל מקודד-מפענח, ומייצר כיתובים על תמונות חדשות באמצעות מודל מודרך.

בדוגמה זו, תאמן מודל על כמות קטנה יחסית של נתונים - 30,000 הכתוביות הראשונות עבור כ-20,000 תמונות (מכיוון שישנן מספר כתוביות לכל תמונה במערך הנתונים).

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

הורד והכן את מערך הנתונים של MS-COCO

תשתמש במערך MS-COCO להכשיר המודל שלך. מערך הנתונים מכיל למעלה מ-82,000 תמונות, שלכל אחת מהן יש לפחות 5 הערות כתוביות שונות. הקוד שלהלן מוריד ומחלץ את מערך הנתונים באופן אוטומטי.

# 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

אופציונלי: הגבל את גודל מערך האימון

כדי להאיץ את האימון עבור הדרכה זו, תשתמש בתת-קבוצה של 30,000 כתוביות והתמונות המתאימות שלהן כדי לאמן את הדגם שלך. בחירה להשתמש יותר בנתונים תגרום לשיפור באיכות הכתוביות.

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>

png

עבד מראש את התמונות באמצעות InceptionV3

לאחר מכן, תשתמש ב-InceptionV3 (אשר מאומן מראש ב-Imagenet) כדי לסווג כל תמונה. אתה תחלץ תכונות מהשכבה הקונבולוציונית האחרונה.

ראשית, תמיר את התמונות לפורמט הצפוי של InceptionV3 על ידי:

  • שנה את גודל התמונה ל-299px על 299px
  • Preprocess את התמונות באמצעות preprocess_input השיטה לנרמל את התמונה כך שהיא מכילה פיקסלים בטווח של -1 עד 1, אשר תואם את הפורמט של התמונות בשימוש לאמן InceptionV3.
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

אתחל את InceptionV3 וטען את המשקולות המאומנות מראש של Imagenet

כעת תיצור מודל tf.keras שבו שכבת הפלט היא השכבה הקונבולוציונית האחרונה בארכיטקטורת InceptionV3. הצורה של תפוקת שכבה זו היא 8x8x2048 . אתה משתמש בשכבה הקונבולוציונית האחרונה מכיוון שאתה משתמש בתשומת לב בדוגמה זו. אתה לא מבצע את האתחול הזה במהלך האימון כי זה עלול להפוך לצוואר בקבוק.

  • אתה מעביר כל תמונה דרך הרשת ומאחסן את הווקטור שנוצר במילון (שם_תמונה --> וקטור_תכונה).
  • לאחר שכל התמונות מועברות ברשת, שומרים את המילון בדיסק.
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

שמירה במטמון של התכונות שחולצו מ-InceptionV3

אתה תעבד מראש כל תמונה עם InceptionV3 ותשמור את הפלט לדיסק. שמירת הפלט במטמון ב-RAM תהיה מהירה יותר אך גם אינטנסיבית בזיכרון, ודורשת 8*8*2048 צפים לתמונה. בזמן הכתיבה, זה חורג ממגבלות הזיכרון של Colab (כרגע 12GB של זיכרון).

ניתן לשפר את הביצועים עם אסטרטגיית מטמון מתוחכמת יותר (לדוגמה, על ידי ריסוק התמונות כדי לצמצם I/O של דיסק גישה אקראית), אבל זה ידרוש יותר קוד.

הקובץ השמור ייקח בערך 10 דקות לרוץ ב-Colab עם GPU. אם תרצה לראות סרגל התקדמות, תוכל:

  1. תקן tqdm :

    !pip install tqdm

  2. ייבוא ​​tqdm:

    from tqdm import tqdm

  3. שנה את השורה הבאה:

    for img, path in image_dataset:

    ל:

    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())

עבדו מראש ואסימו את הכתוביות

  • ראשית, תסמנו את הכיתובים (לדוגמה, על ידי פיצול על רווחים). זה נותן לנו אוצר מילים של כל המילים הייחודיות בנתונים (לדוגמה, "גלישה", "כדורגל" וכן הלאה).
  • לאחר מכן, תגביל את גודל אוצר המילים ל-5,000 המילים המובילות (כדי לחסוך בזיכרון). אתה תחליף את כל המילים האחרות באסימון "UNK" (לא ידוע).
  • לאחר מכן אתה יוצר מיפוי מילה לאינדקס ואינדקס למילה.
  • לבסוף, אתה מרפד את כל הרצפים באורך זהה לזה הארוך ביותר.
# 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)

חלק את הנתונים לאימון ובדיקות

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)

צור מערך נתונים tf.data להדרכה

התמונות והכתוביות שלך מוכנות! הבא, בואו ליצור tf.data במערך להשתמש להכשרת המודל שלך.

# 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)

דֶגֶם

כיף עובדה: מפענח מתחת זהה לזו שבדוגמה עבור עצבית תרגום מכונה עם תשומת לב .

הארכיטקטורה דגם בהשראת הצג, להשתתף ולספר נייר.

  • בדוגמה זו, אתה מחלץ את התכונות מהשכבה הקונבולוציונית התחתונה של InceptionV3 נותן לנו וקטור של צורה (8, 8, 2048).
  • אתה מועך את זה לצורה של (64, 2048).
  • וקטור זה מועבר לאחר מכן דרך מקודד CNN (המורכב משכבה אחת מחוברת לחלוטין).
  • ה-RNN (כאן GRU) משתתף בתמונה כדי לחזות את המילה הבאה.
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_)

מחסום

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)

הַדְרָכָה

  • אתה לחלץ את התכונות מאוחסן בהתאמה .npy קבצים ולאחר מכן לעבור תכונות אלה באמצעות מקודד.
  • פלט המקודד, מצב נסתר (מאתחל ל-0) וכניסת המפענח (שהוא אסימון ההתחלה) מועברים למפענח.
  • המפענח מחזיר את התחזיות ואת המצב הנסתר של המפענח.
  • לאחר מכן, המצב הנסתר של המפענח מועבר בחזרה למודל והניבויים משמשים לחישוב ההפסד.
  • השתמש בכוח המורה כדי להחליט על הקלט הבא למפענח.
  • כפיית מורה היא הטכניקה שבה מילת המטרה מועברת כקלט הבא למפענח.
  • השלב האחרון הוא לחשב את ההדרגות ולהחיל אותם על האופטימיזר ולהתפשט לאחור.
# 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()

png

כּוֹתֶרֶת!

  • הפונקציה evaluate דומה ללולאת האימון, אלא שאינך משתמש בכוח המורה כאן. הקלט למפענח בכל שלב זמן הוא התחזיות הקודמות שלו יחד עם המצב הנסתר ופלט המקודד.
  • הפסק לחזות מתי המודל חוזה את אסימון הסיום.
  • ואחסן את משקולות הקשב עבור כל שלב בזמן.
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.

png

נסה את זה על התמונות שלך

בשביל הכיף, למטה סופקת שיטה שבה תוכל להשתמש כדי לכתוב את התמונות שלך עם הדגם שזה עתה אימנת. זכור, הוא הוכשר על כמות קטנה יחסית של נתונים, והתמונות שלך עשויות להיות שונות מנתוני האימון (אז היו מוכנים לתוצאות מוזרות!)

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.

png

png

הצעדים הבאים

מזל טוב! זה עתה אימנת דוגמנית כיתוב תמונה עם תשומת לב. הבא, תסתכל בדוגמה זו תרגום מכונה עצבית עם תשומת לב . הוא משתמש בארכיטקטורה דומה כדי לתרגם בין משפטים בספרדית לאנגלית. אתה יכול גם להתנסות באימון הקוד במחברת זו על מערך נתונים אחר.