 Zobacz na TensorFlow.org |  Uruchom w Google Colab |  Wyświetl źródło na GitHub |  Pobierz notatnik |
Biorąc pod uwagę obraz taki jak na poniższym przykładzie, naszym celem jest wygenerowanie podpisu, takiego jak „surfer na fali”.
Źródło obrazu ; Licencja: domena publiczna
Aby to osiągnąć, użyjesz modelu opartego na uwadze, który pozwoli nam zobaczyć, na jakich częściach obrazu skupia się model podczas generowania podpisu.
Architektura modelu jest podobna do funkcji Show, Attend and Tell: Neural Image Caption Generation with Visual Attention .
Ten notatnik to kompleksowy przykład. Po uruchomieniu notebook pobiera zestaw danych MS-COCO , przetwarza wstępnie i buforuje podzbiór obrazów przy użyciu programu Inception V3, trenuje model kodera-dekodera i generuje podpisy do nowych obrazów przy użyciu wytrenowanego modelu.
W tym przykładzie wytrenujesz model na stosunkowo niewielkiej ilości danych - pierwszych 30 000 podpisów dla około 20 000 obrazów (ponieważ zbiór danych zawiera wiele podpisów na obraz).
import tensorflow as tf
# You'll generate plots of attention in order to see which parts of an image
# our model focuses on during captioning
import matplotlib.pyplot as plt
# Scikit-learn includes many helpful utilities
from sklearn.model_selection import train_test_split
from sklearn.utils import shuffle
import re
import numpy as np
import os
import time
import json
from glob import glob
from PIL import Image
import pickle
Pobierz i przygotuj zbiór danych MS-COCO
Będziesz używać zbioru danych MS-COCO do trenowania naszego modelu. Zbiór danych zawiera ponad 82 000 obrazów, z których każdy ma co najmniej 5 różnych adnotacji w podpisach. Poniższy kod automatycznie pobiera i wyodrębnia zestaw danych.
# Download caption annotation files
annotation_folder = '/annotations/'
if not os.path.exists(os.path.abspath('.') + annotation_folder):
annotation_zip = tf.keras.utils.get_file('captions.zip',
cache_subdir=os.path.abspath('.'),
origin = 'http://images.cocodataset.org/annotations/annotations_trainval2014.zip',
extract = True)
annotation_file = os.path.dirname(annotation_zip)+'/annotations/captions_train2014.json'
os.remove(annotation_zip)
# Download image files
image_folder = '/train2014/'
if not os.path.exists(os.path.abspath('.') + image_folder):
image_zip = tf.keras.utils.get_file('train2014.zip',
cache_subdir=os.path.abspath('.'),
origin = 'http://images.cocodataset.org/zips/train2014.zip',
extract = True)
PATH = os.path.dirname(image_zip) + image_folder
os.remove(image_zip)
else:
PATH = os.path.abspath('.') + image_folder
Downloading data from http://images.cocodataset.org/annotations/annotations_trainval2014.zip 252878848/252872794 [==============================] - 54s 0us/step Downloading data from http://images.cocodataset.org/zips/train2014.zip 13510574080/13510573713 [==============================] - 846s 0us/step
Opcjonalnie: ogranicz rozmiar zestawu uczącego
Aby przyspieszyć szkolenie z tego samouczka, do trenowania naszego modelu użyjesz podzbioru 30 000 podpisów i odpowiadających im obrazów. Decydując się na użycie większej ilości danych, poprawiłaby się jakość napisów.
# Read the json file
with open(annotation_file, 'r') as f:
annotations = json.load(f)
# Store captions and image names in vectors
all_captions = []
all_img_name_vector = []
for annot in annotations['annotations']:
caption = '<start> ' + annot['caption'] + ' <end>'
image_id = annot['image_id']
full_coco_image_path = PATH + 'COCO_train2014_' + '%012d.jpg' % (image_id)
all_img_name_vector.append(full_coco_image_path)
all_captions.append(caption)
# Shuffle captions and image_names together
# Set a random state
train_captions, img_name_vector = shuffle(all_captions,
all_img_name_vector,
random_state=1)
# Select the first 30000 captions from the shuffled set
num_examples = 30000
train_captions = train_captions[:num_examples]
img_name_vector = img_name_vector[:num_examples]
len(train_captions), len(all_captions)
(30000, 414113)
Przetwórz wstępnie obrazy za pomocą InceptionV3
Następnie użyjesz InceptionV3 (który jest wstępnie wytrenowany w Imagenet) do sklasyfikowania każdego obrazu. Wydobywasz cechy z ostatniej warstwy splotowej.
Najpierw przekonwertujesz obrazy do oczekiwanego formatu InceptionV3 przez:
- Zmiana rozmiaru obrazu na 299 na 299 pikseli
- Przetwórz wstępnie obrazy za pomocą metody preprocess_input , aby znormalizować obraz tak, aby zawierał piksele w zakresie od -1 do 1, co odpowiada formatowi obrazów używanym do uczenia InceptionV3.
def load_image(image_path):
img = tf.io.read_file(image_path)
img = tf.image.decode_jpeg(img, channels=3)
img = tf.image.resize(img, (299, 299))
img = tf.keras.applications.inception_v3.preprocess_input(img)
return img, image_path
Zainicjuj InceptionV3 i załaduj wstępnie wytrenowane wagi Imagenet
Teraz utworzysz model tf.keras, w którym warstwa wyjściowa jest ostatnią warstwą konwolucyjną w architekturze InceptionV3. Kształt wyniku tej warstwy to 8x8x2048 . Używasz ostatniej warstwy konwolucyjnej, ponieważ w tym przykładzie używasz uwagi. Nie wykonujesz tej inicjalizacji podczas treningu, ponieważ może to stać się wąskim gardłem.
- Przekazujesz każdy obraz przez sieć i przechowujesz wynikowy wektor w słowniku (nazwa_obrazu -> wektor_funkcji).
- Po przepuszczeniu wszystkich obrazów przez sieć, wytrawiasz słownik i zapisujesz go na dysku.
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)
Buforowanie funkcji wyodrębnionych z InceptionV3
Każdy obraz zostanie wstępnie przetworzony za pomocą InceptionV3 i buforowany wynik na dysku. Buforowanie danych wyjściowych w pamięci RAM byłoby szybsze, ale wymagałoby również 8 * 8 * 2048 wartości zmiennoprzecinkowych na obraz. W chwili pisania tego tekstu przekracza to ograniczenia pamięci Colab (obecnie 12 GB pamięci).
Wydajność można poprawić, stosując bardziej wyrafinowaną strategię buforowania (na przykład dzieląc obrazy na fragmenty w celu zmniejszenia operacji wejścia / wyjścia dysku swobodnego), ale wymagałoby to więcej kodu.
Buforowanie zajmie około 10 minut w Colab z GPU. Jeśli chcesz zobaczyć pasek postępu, możesz:
zainstaluj tqdm :
!pip install -q tqdmImportuj tqdm:
from tqdm import tqdmZmień następujący wiersz:
for img, path in image_dataset:do:
for img, path in tqdm(image_dataset):
# Get unique images
encode_train = sorted(set(img_name_vector))
# Feel free to change batch_size according to your system configuration
image_dataset = tf.data.Dataset.from_tensor_slices(encode_train)
image_dataset = image_dataset.map(
load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE).batch(16)
for img, path in image_dataset:
batch_features = image_features_extract_model(img)
batch_features = tf.reshape(batch_features,
(batch_features.shape[0], -1, batch_features.shape[3]))
for bf, p in zip(batch_features, path):
path_of_feature = p.numpy().decode("utf-8")
np.save(path_of_feature, bf.numpy())
Przetwarzaj wstępnie i tokenizuj podpisy
- Najpierw tokenizujesz podpisy (na przykład dzieląc spacje). To daje nam słownictwo zawierające wszystkie unikatowe słowa w danych (na przykład „surfing”, „piłka nożna” itd.).
- Następnie ograniczysz rozmiar słownictwa do górnych 5000 słów (aby zaoszczędzić pamięć). Zastąpisz wszystkie inne słowa tokenem „UNK” (nieznany).
- Następnie utworzysz odwzorowania typu słowo na indeks i indeks na słowo.
- Na koniec dopełniasz wszystkie sekwencje tak, aby miały taką samą długość jak najdłuższa.
# Find the maximum length of any caption in our dataset
def calc_max_length(tensor):
return max(len(t) for t in tensor)
# Choose the top 5000 words from the vocabulary
top_k = 5000
tokenizer = tf.keras.preprocessing.text.Tokenizer(num_words=top_k,
oov_token="<unk>",
filters='!"#$%&()*+.,-/:;=?@[\]^_`{|}~ ')
tokenizer.fit_on_texts(train_captions)
train_seqs = tokenizer.texts_to_sequences(train_captions)
tokenizer.word_index['<pad>'] = 0
tokenizer.index_word[0] = '<pad>'
# Create the tokenized vectors
train_seqs = tokenizer.texts_to_sequences(train_captions)
# Pad each vector to the max_length of the captions
# If you do not provide a max_length value, pad_sequences calculates it automatically
cap_vector = tf.keras.preprocessing.sequence.pad_sequences(train_seqs, padding='post')
# Calculates the max_length, which is used to store the attention weights
max_length = calc_max_length(train_seqs)
Podziel dane na trening i testy
# Create training and validation sets using an 80-20 split
img_name_train, img_name_val, cap_train, cap_val = train_test_split(img_name_vector,
cap_vector,
test_size=0.2,
random_state=0)
len(img_name_train), len(cap_train), len(img_name_val), len(cap_val)
(24000, 24000, 6000, 6000)
Utwórz zestaw danych tf.data do szkolenia
Nasze obrazy i podpisy są gotowe! Następnie utwórzmy zestaw danych tf.data, który będzie używany do uczenia naszego modelu.
# Feel free to change these parameters according to your system's configuration
BATCH_SIZE = 64
BUFFER_SIZE = 1000
embedding_dim = 256
units = 512
vocab_size = top_k + 1
num_steps = len(img_name_train) // BATCH_SIZE
# Shape of the vector extracted from InceptionV3 is (64, 2048)
# These two variables represent that vector shape
features_shape = 2048
attention_features_shape = 64
# Load the numpy files
def map_func(img_name, cap):
img_tensor = np.load(img_name.decode('utf-8')+'.npy')
return img_tensor, cap
dataset = tf.data.Dataset.from_tensor_slices((img_name_train, cap_train))
# Use map to load the numpy files in parallel
dataset = dataset.map(lambda item1, item2: tf.numpy_function(
map_func, [item1, item2], [tf.float32, tf.int32]),
num_parallel_calls=tf.data.experimental.AUTOTUNE)
# Shuffle and batch
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
dataset = dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
Model
Ciekawostka: poniższy dekoder jest identyczny z tym w przykładzie dla neuronowego tłumaczenia maszynowego z uwagą .
Architektura modelu jest inspirowana papierem Show, Attend and Tell .
- W tym przykładzie wyodrębniasz cechy z dolnej warstwy konwolucyjnej InceptionV3, dając nam wektor kształtu (8, 8, 2048).
- Zgniatasz to do kształtu (64, 2048).
- Ten wektor jest następnie przepuszczany przez koder CNN (który składa się z pojedynczej w pełni połączonej warstwy).
- RNN (tutaj GRU) nadzoruje obraz, przewidując następne słowo.
class BahdanauAttention(tf.keras.Model):
def __init__(self, units):
super(BahdanauAttention, self).__init__()
self.W1 = tf.keras.layers.Dense(units)
self.W2 = tf.keras.layers.Dense(units)
self.V = tf.keras.layers.Dense(1)
def call(self, features, hidden):
# features(CNN_encoder output) shape == (batch_size, 64, embedding_dim)
# hidden shape == (batch_size, hidden_size)
# hidden_with_time_axis shape == (batch_size, 1, hidden_size)
hidden_with_time_axis = tf.expand_dims(hidden, 1)
# score shape == (batch_size, 64, hidden_size)
score = tf.nn.tanh(self.W1(features) + self.W2(hidden_with_time_axis))
# attention_weights shape == (batch_size, 64, 1)
# you get 1 at the last axis because you are applying score to self.V
attention_weights = tf.nn.softmax(self.V(score), axis=1)
# context_vector shape after sum == (batch_size, hidden_size)
context_vector = attention_weights * features
context_vector = tf.reduce_sum(context_vector, axis=1)
return context_vector, attention_weights
class CNN_Encoder(tf.keras.Model):
# Since you have already extracted the features and dumped it using pickle
# This encoder passes those features through a Fully connected layer
def __init__(self, embedding_dim):
super(CNN_Encoder, self).__init__()
# shape after fc == (batch_size, 64, embedding_dim)
self.fc = tf.keras.layers.Dense(embedding_dim)
def call(self, x):
x = self.fc(x)
x = tf.nn.relu(x)
return x
class RNN_Decoder(tf.keras.Model):
def __init__(self, embedding_dim, units, vocab_size):
super(RNN_Decoder, self).__init__()
self.units = units
self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
self.gru = tf.keras.layers.GRU(self.units,
return_sequences=True,
return_state=True,
recurrent_initializer='glorot_uniform')
self.fc1 = tf.keras.layers.Dense(self.units)
self.fc2 = tf.keras.layers.Dense(vocab_size)
self.attention = BahdanauAttention(self.units)
def call(self, x, features, hidden):
# defining attention as a separate model
context_vector, attention_weights = self.attention(features, hidden)
# x shape after passing through embedding == (batch_size, 1, embedding_dim)
x = self.embedding(x)
# x shape after concatenation == (batch_size, 1, embedding_dim + hidden_size)
x = tf.concat([tf.expand_dims(context_vector, 1), x], axis=-1)
# passing the concatenated vector to the GRU
output, state = self.gru(x)
# shape == (batch_size, max_length, hidden_size)
x = self.fc1(output)
# x shape == (batch_size * max_length, hidden_size)
x = tf.reshape(x, (-1, x.shape[2]))
# output shape == (batch_size * max_length, vocab)
x = self.fc2(x)
return x, state, attention_weights
def reset_state(self, batch_size):
return tf.zeros((batch_size, self.units))
encoder = CNN_Encoder(embedding_dim)
decoder = RNN_Decoder(embedding_dim, units, vocab_size)
optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
from_logits=True, reduction='none')
def loss_function(real, pred):
mask = tf.math.logical_not(tf.math.equal(real, 0))
loss_ = loss_object(real, pred)
mask = tf.cast(mask, dtype=loss_.dtype)
loss_ *= mask
return tf.reduce_mean(loss_)
Punkt kontrolny
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)
Trening
-
.npyfunkcje przechowywane w odpowiednich plikach.npy, a następnie przekazujesz te funkcje przez koder. - Wyjście kodera, stan ukryty (zainicjowany na 0) i wejście dekodera (które jest tokenem startowym) są przekazywane do dekodera.
- Dekoder zwraca przewidywania i stan ukryty dekodera.
- Ukryty stan dekodera jest następnie przekazywany z powrotem do modelu, a prognozy są wykorzystywane do obliczenia strat.
- Użyj wymuszania nauczyciela, aby zdecydować o kolejnym wejściu do dekodera.
- Wymuszanie przez nauczyciela to technika, w której słowo docelowe jest przekazywane jako następne wejście do dekodera.
- Ostatnim krokiem jest obliczenie gradientów i zastosowanie go do optymalizatora i wstecznej propagacji.
# adding this in a separate cell because if you run the training cell
# many times, the loss_plot array will be reset
loss_plot = []
@tf.function
def train_step(img_tensor, target):
loss = 0
# initializing the hidden state for each batch
# because the captions are not related from image to image
hidden = decoder.reset_state(batch_size=target.shape[0])
dec_input = tf.expand_dims([tokenizer.word_index['<start>']] * target.shape[0], 1)
with tf.GradientTape() as tape:
features = encoder(img_tensor)
for i in range(1, target.shape[1]):
# passing the features through the decoder
predictions, hidden, _ = decoder(dec_input, features, hidden)
loss += loss_function(target[:, i], predictions)
# using teacher forcing
dec_input = tf.expand_dims(target[:, i], 1)
total_loss = (loss / int(target.shape[1]))
trainable_variables = encoder.trainable_variables + decoder.trainable_variables
gradients = tape.gradient(loss, trainable_variables)
optimizer.apply_gradients(zip(gradients, trainable_variables))
return loss, total_loss
EPOCHS = 20
for epoch in range(start_epoch, EPOCHS):
start = time.time()
total_loss = 0
for (batch, (img_tensor, target)) in enumerate(dataset):
batch_loss, t_loss = train_step(img_tensor, target)
total_loss += t_loss
if batch % 100 == 0:
print ('Epoch {} Batch {} Loss {:.4f}'.format(
epoch + 1, batch, batch_loss.numpy() / int(target.shape[1])))
# storing the epoch end loss value to plot later
loss_plot.append(total_loss / num_steps)
if epoch % 5 == 0:
ckpt_manager.save()
print ('Epoch {} Loss {:.6f}'.format(epoch + 1,
total_loss/num_steps))
print ('Time taken for 1 epoch {} sec\n'.format(time.time() - start))
Epoch 1 Batch 0 Loss 2.0353 Epoch 1 Batch 100 Loss 1.1504 Epoch 1 Batch 200 Loss 1.0132 Epoch 1 Batch 300 Loss 0.8632 Epoch 1 Loss 1.036979 Time taken for 1 epoch 84.20082116127014 sec Epoch 2 Batch 0 Loss 0.8322 Epoch 2 Batch 100 Loss 0.8499 Epoch 2 Batch 200 Loss 0.7432 Epoch 2 Batch 300 Loss 0.7961 Epoch 2 Loss 0.794733 Time taken for 1 epoch 40.38337826728821 sec Epoch 3 Batch 0 Loss 0.6972 Epoch 3 Batch 100 Loss 0.6913 Epoch 3 Batch 200 Loss 0.7208 Epoch 3 Batch 300 Loss 0.7084 Epoch 3 Loss 0.724426 Time taken for 1 epoch 39.279441833496094 sec Epoch 4 Batch 0 Loss 0.6331 Epoch 4 Batch 100 Loss 0.7083 Epoch 4 Batch 200 Loss 0.6916 Epoch 4 Batch 300 Loss 0.6532 Epoch 4 Loss 0.680175 Time taken for 1 epoch 39.79264307022095 sec Epoch 5 Batch 0 Loss 0.6305 Epoch 5 Batch 100 Loss 0.6787 Epoch 5 Batch 200 Loss 0.6435 Epoch 5 Batch 300 Loss 0.6258 Epoch 5 Loss 0.643881 Time taken for 1 epoch 39.353124380111694 sec Epoch 6 Batch 0 Loss 0.6583 Epoch 6 Batch 100 Loss 0.5969 Epoch 6 Batch 200 Loss 0.5619 Epoch 6 Batch 300 Loss 0.5878 Epoch 6 Loss 0.611758 Time taken for 1 epoch 39.15430927276611 sec Epoch 7 Batch 0 Loss 0.5402 Epoch 7 Batch 100 Loss 0.6199 Epoch 7 Batch 200 Loss 0.5505 Epoch 7 Batch 300 Loss 0.5843 Epoch 7 Loss 0.582367 Time taken for 1 epoch 38.97473073005676 sec Epoch 8 Batch 0 Loss 0.5210 Epoch 8 Batch 100 Loss 0.5664 Epoch 8 Batch 200 Loss 0.5291 Epoch 8 Batch 300 Loss 0.5795 Epoch 8 Loss 0.553020 Time taken for 1 epoch 39.051162242889404 sec Epoch 9 Batch 0 Loss 0.5827 Epoch 9 Batch 100 Loss 0.5725 Epoch 9 Batch 200 Loss 0.4846 Epoch 9 Batch 300 Loss 0.5844 Epoch 9 Loss 0.524622 Time taken for 1 epoch 38.89189028739929 sec Epoch 10 Batch 0 Loss 0.4886 Epoch 10 Batch 100 Loss 0.4728 Epoch 10 Batch 200 Loss 0.4658 Epoch 10 Batch 300 Loss 0.5306 Epoch 10 Loss 0.495875 Time taken for 1 epoch 38.86496067047119 sec Epoch 11 Batch 0 Loss 0.4643 Epoch 11 Batch 100 Loss 0.4812 Epoch 11 Batch 200 Loss 0.4653 Epoch 11 Batch 300 Loss 0.4613 Epoch 11 Loss 0.468651 Time taken for 1 epoch 40.937774419784546 sec Epoch 12 Batch 0 Loss 0.4221 Epoch 12 Batch 100 Loss 0.4450 Epoch 12 Batch 200 Loss 0.4916 Epoch 12 Batch 300 Loss 0.4657 Epoch 12 Loss 0.444242 Time taken for 1 epoch 41.9663565158844 sec Epoch 13 Batch 0 Loss 0.4433 Epoch 13 Batch 100 Loss 0.4715 Epoch 13 Batch 200 Loss 0.4021 Epoch 13 Batch 300 Loss 0.4067 Epoch 13 Loss 0.415613 Time taken for 1 epoch 40.30966353416443 sec Epoch 14 Batch 0 Loss 0.4436 Epoch 14 Batch 100 Loss 0.3796 Epoch 14 Batch 200 Loss 0.3896 Epoch 14 Batch 300 Loss 0.3641 Epoch 14 Loss 0.389719 Time taken for 1 epoch 38.83861589431763 sec Epoch 15 Batch 0 Loss 0.3780 Epoch 15 Batch 100 Loss 0.4144 Epoch 15 Batch 200 Loss 0.3730 Epoch 15 Batch 300 Loss 0.3471 Epoch 15 Loss 0.365708 Time taken for 1 epoch 38.95968770980835 sec Epoch 16 Batch 0 Loss 0.3742 Epoch 16 Batch 100 Loss 0.3661 Epoch 16 Batch 200 Loss 0.3151 Epoch 16 Batch 300 Loss 0.3526 Epoch 16 Loss 0.343931 Time taken for 1 epoch 39.46759366989136 sec Epoch 17 Batch 0 Loss 0.3413 Epoch 17 Batch 100 Loss 0.3728 Epoch 17 Batch 200 Loss 0.3372 Epoch 17 Batch 300 Loss 0.3074 Epoch 17 Loss 0.324182 Time taken for 1 epoch 39.95749092102051 sec Epoch 18 Batch 0 Loss 0.3067 Epoch 18 Batch 100 Loss 0.3305 Epoch 18 Batch 200 Loss 0.3239 Epoch 18 Batch 300 Loss 0.3308 Epoch 18 Loss 0.304614 Time taken for 1 epoch 40.401132583618164 sec Epoch 19 Batch 0 Loss 0.3197 Epoch 19 Batch 100 Loss 0.3203 Epoch 19 Batch 200 Loss 0.2832 Epoch 19 Batch 300 Loss 0.2809 Epoch 19 Loss 0.294781 Time taken for 1 epoch 40.4469633102417 sec Epoch 20 Batch 0 Loss 0.2853 Epoch 20 Batch 100 Loss 0.2963 Epoch 20 Batch 200 Loss 0.2781 Epoch 20 Batch 300 Loss 0.3059 Epoch 20 Loss 0.274449 Time taken for 1 epoch 40.24236440658569 sec
plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()
Podpis!
- Funkcja oceny jest podobna do pętli treningowej, z tym wyjątkiem, że nie używasz tu wymuszania nauczyciela. Dane wejściowe do dekodera w każdym kroku czasowym to jego poprzednie przewidywania wraz ze stanem ukrytym i wyjściem kodera.
- Przestań przewidywać, kiedy model przewiduje token końcowy.
- I przechowuj wagi uwagi dla każdego kroku czasowego.
def evaluate(image):
attention_plot = np.zeros((max_length, attention_features_shape))
hidden = decoder.reset_state(batch_size=1)
temp_input = tf.expand_dims(load_image(image)[0], 0)
img_tensor_val = image_features_extract_model(temp_input)
img_tensor_val = tf.reshape(img_tensor_val, (img_tensor_val.shape[0], -1, img_tensor_val.shape[3]))
features = encoder(img_tensor_val)
dec_input = tf.expand_dims([tokenizer.word_index['<start>']], 0)
result = []
for i in range(max_length):
predictions, hidden, attention_weights = decoder(dec_input, features, hidden)
attention_plot[i] = tf.reshape(attention_weights, (-1, )).numpy()
predicted_id = tf.random.categorical(predictions, 1)[0][0].numpy()
result.append(tokenizer.index_word[predicted_id])
if tokenizer.index_word[predicted_id] == '<end>':
return result, attention_plot
dec_input = tf.expand_dims([predicted_id], 0)
attention_plot = attention_plot[:len(result), :]
return result, attention_plot
def plot_attention(image, result, attention_plot):
temp_image = np.array(Image.open(image))
fig = plt.figure(figsize=(10, 10))
len_result = len(result)
for l in range(len_result):
temp_att = np.resize(attention_plot[l], (8, 8))
ax = fig.add_subplot(len_result//2, len_result//2, l+1)
ax.set_title(result[l])
img = ax.imshow(temp_image)
ax.imshow(temp_att, cmap='gray', alpha=0.6, extent=img.get_extent())
plt.tight_layout()
plt.show()
# captions on the validation set
rid = np.random.randint(0, len(img_name_val))
image = img_name_val[rid]
real_caption = ' '.join([tokenizer.index_word[i] for i in cap_val[rid] if i not in [0]])
result, attention_plot = evaluate(image)
print ('Real Caption:', real_caption)
print ('Prediction Caption:', ' '.join(result))
plot_attention(image, result, attention_plot)
Real Caption: <start> the giraffe is standing under a umbrella <end> Prediction Caption: a large elephant is standing in a sandy area with trees in the corner <end>
Wypróbuj na własnych obrazach
Dla zabawy poniżej udostępniliśmy metodę, której możesz użyć do podpisania własnych zdjęć modelem, który właśnie wytrenowaliśmy. Pamiętaj, że został on wyszkolony na stosunkowo niewielkiej ilości danych, a Twoje obrazy mogą różnić się od danych treningowych (więc przygotuj się na dziwne wyniki!)
image_url = 'https://tensorflow.org/images/surf.jpg'
image_extension = image_url[-4:]
image_path = tf.keras.utils.get_file('image'+image_extension,
origin=image_url)
result, attention_plot = evaluate(image_path)
print ('Prediction Caption:', ' '.join(result))
plot_attention(image_path, result, attention_plot)
# opening the image
Image.open(image_path)
Prediction Caption: man in front of a big podium <end>
Następne kroki
Gratulacje! Właśnie wytrenowałeś z uwagą model podpisów graficznych. Następnie spójrz na ten przykład neuronowe tłumaczenie maszynowe z uwagą . Wykorzystuje podobną architekturę do tłumaczenia zdań hiszpańskich i angielskich. Możesz również eksperymentować z uczeniem kodu w tym notesie w innym zestawie danych.