Esta página foi traduzida pela API Cloud Translation.
Switch to English

Legendagem de imagens com atenção visual

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Dada uma imagem como o exemplo abaixo, nosso objetivo é gerar uma legenda como "um surfista surfando em uma onda".

Homem Surfando

Fonte da imagem ; Licença: Domínio Público

Para fazer isso, você usará um modelo baseado em atenção, que nos permite ver em quais partes da imagem o modelo se concentra ao gerar uma legenda.

Predição

A arquitetura do modelo é semelhante a Show, Attend and Tell: Neural Image Caption Generation with Visual Attention .

Este notebook é um exemplo de ponta a ponta. Quando você executa o notebook, ele baixa o conjunto de dados MS-COCO , pré-processa e armazena em cache um subconjunto de imagens usando o Inception V3, treina um modelo codificador-decodificador e gera legendas em novas imagens usando o modelo treinado.

Neste exemplo, você treinará um modelo em uma quantidade relativamente pequena de dados - as primeiras 30.000 legendas para cerca de 20.000 imagens (porque há várias legendas por imagem no conjunto de dados).

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

Baixe e prepare o conjunto de dados MS-COCO

Você usará o conjunto de dados MS-COCO para treinar nosso modelo. O conjunto de dados contém mais de 82.000 imagens, cada uma com pelo menos 5 anotações de legenda diferentes. O código abaixo baixa e extrai o conjunto de dados automaticamente.

# 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
Downloading data from http://images.cocodataset.org/zips/train2014.zip
13510574080/13510573713 [==============================] - 787s 0us/step

Opcional: limite o tamanho do conjunto de treinamento

Para acelerar o treinamento para este tutorial, você usará um subconjunto de 30.000 legendas e suas imagens correspondentes para treinar nosso modelo. A escolha de usar mais dados resultaria em melhor qualidade de legenda.

# 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)

Pré-processe as imagens usando InceptionV3

Em seguida, você usará o InceptionV3 (que é pré-treinado no Imagenet) para classificar cada imagem. Você irá extrair recursos da última camada convolucional.

Primeiro, você converterá as imagens no formato esperado do InceptionV3:

  • Redimensionar a imagem para 299 por 299 pixels
  • Pré-processe as imagens usando o método preprocess_input para normalizar a imagem de modo que ela contenha pixels no intervalo de -1 a 1, que corresponde ao formato das imagens usadas para treinar o 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

Inicialize o InceptionV3 e carregue os pesos Imagenet pré-treinados

Agora você criará um modelo tf.keras em que a camada de saída é a última camada convolucional na arquitetura InceptionV3. O formato da saída dessa camada é 8x8x2048 . Você usa a última camada convolucional porque está usando a atenção neste exemplo. Você não executa essa inicialização durante o treinamento porque pode se tornar um gargalo.

  • Você encaminha cada imagem pela rede e armazena o vetor resultante em um dicionário (image_name -> feature_vector).
  • Depois que todas as imagens são passadas pela rede, você pega o dicionário e salva no disco.
image_model = tf.keras.applications.InceptionV3(include_top=False,
                                                weights='imagenet')
new_input = image_model.input
hidden_layer = image_model.layers[-1].output

image_features_extract_model = tf.keras.Model(new_input, hidden_layer)
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/inception_v3/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
87916544/87910968 [==============================] - 2s 0us/step

Armazenando em cache os recursos extraídos do InceptionV3

Você irá pré-processar cada imagem com InceptionV3 e armazenar em cache a saída para o disco. Armazenar a saída em cache na RAM seria mais rápido, mas também consumiria muita memória, exigindo 8 * 8 * 2048 flutuações por imagem. No momento da escrita, isso excede as limitações de memória do Colab (atualmente 12 GB de memória).

O desempenho poderia ser melhorado com uma estratégia de cache mais sofisticada (por exemplo, fragmentando as imagens para reduzir a E / S do disco de acesso aleatório), mas isso exigiria mais código.

O cache levará cerca de 10 minutos para ser executado no Colab com uma GPU. Se quiser ver uma barra de progresso, você pode:

  1. instalar tqdm :

    !pip install -q tqdm

  2. Importar tqdm:

    from tqdm import tqdm

  3. Altere a seguinte linha:

    for img, path in image_dataset:

    para:

    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())

Pré-processar e tokenizar as legendas

  • Primeiro, você tokenizará as legendas (por exemplo, dividindo em espaços). Isso nos dá um vocabulário de todas as palavras exclusivas nos dados (por exemplo, "surf", "futebol" e assim por diante).
  • A seguir, você limitará o tamanho do vocabulário às 5.000 palavras principais (para economizar memória). Você substituirá todas as outras palavras pelo token "UNK" (desconhecido).
  • Em seguida, você cria mapeamentos de palavra para índice e índice para palavra.
  • Finalmente, você preenche todas as sequências para que tenham o mesmo comprimento da mais longa.
# 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)

Divida os dados em treinamento e teste

# 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)

Crie um conjunto de dados tf.data para treinamento

Nossas imagens e legendas estão prontas! A seguir, vamos criar um conjunto de dados tf.data para usar no treinamento de nosso modelo.

# 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)

Modelo

Curiosidade: o decodificador abaixo é idêntico ao do exemplo para Tradução Automática Neural com Atenção .

A arquitetura do modelo é inspirada no jornal Show, Attend and Tell .

  • Neste exemplo, você extrai os recursos da camada convolucional inferior do InceptionV3 nos dando um vetor de forma (8, 8, 2048).
  • Você espreme isso para uma forma de (64, 2048).
  • Esse vetor é então passado pelo Codificador CNN (que consiste em uma única camada totalmente conectada).
  • O RNN (aqui GRU) acompanha a imagem para prever a próxima palavra.
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 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_)

Checkpoint

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)

Treinamento

  • Você extrai os recursos armazenados nos respectivos arquivos .npy e, em seguida, passa esses recursos pelo codificador.
  • A saída do codificador, o estado oculto (inicializado em 0) e a entrada do decodificador (que é o token de início) são passados ​​para o decodificador.
  • O decodificador retorna as previsões e o estado oculto do decodificador.
  • O estado oculto do decodificador é então passado de volta para o modelo e as previsões são usadas para calcular a perda.
  • Use a força do professor para decidir a próxima entrada para o decodificador.
  • Forçar professor é a técnica em que a palavra alvo é passada como a próxima entrada para o decodificador.
  • A etapa final é calcular os gradientes e aplicá-los ao otimizador e retropropagar.
# adding this in a separate cell because if you run the training cell
# many times, the loss_plot array will be reset
loss_plot = []
@tf.function
def train_step(img_tensor, target):
  loss = 0

  # initializing the hidden state for each batch
  # because the captions are not related from image to image
  hidden = decoder.reset_state(batch_size=target.shape[0])

  dec_input = tf.expand_dims([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 2.0256
Epoch 1 Batch 100 Loss 1.0767
Epoch 1 Batch 200 Loss 0.9904
Epoch 1 Batch 300 Loss 0.8514
Epoch 1 Loss 1.035708
Time taken for 1 epoch 80.1693012714386 sec

Epoch 2 Batch 0 Loss 0.8047
Epoch 2 Batch 100 Loss 0.8696
Epoch 2 Batch 200 Loss 0.8090
Epoch 2 Batch 300 Loss 0.7596
Epoch 2 Loss 0.792247
Time taken for 1 epoch 37.58015012741089 sec

Epoch 3 Batch 0 Loss 0.8046
Epoch 3 Batch 100 Loss 0.7656
Epoch 3 Batch 200 Loss 0.7077
Epoch 3 Batch 300 Loss 0.6922
Epoch 3 Loss 0.723338
Time taken for 1 epoch 37.68060636520386 sec

Epoch 4 Batch 0 Loss 0.7137
Epoch 4 Batch 100 Loss 0.7308
Epoch 4 Batch 200 Loss 0.6677
Epoch 4 Batch 300 Loss 0.6926
Epoch 4 Loss 0.679668
Time taken for 1 epoch 37.798078298568726 sec

Epoch 5 Batch 0 Loss 0.6856
Epoch 5 Batch 100 Loss 0.6833
Epoch 5 Batch 200 Loss 0.6265
Epoch 5 Batch 300 Loss 0.6854
Epoch 5 Loss 0.644473
Time taken for 1 epoch 37.53870892524719 sec

Epoch 6 Batch 0 Loss 0.6272
Epoch 6 Batch 100 Loss 0.6874
Epoch 6 Batch 200 Loss 0.5755
Epoch 6 Batch 300 Loss 0.7087
Epoch 6 Loss 0.613456
Time taken for 1 epoch 37.658682107925415 sec

Epoch 7 Batch 0 Loss 0.6183
Epoch 7 Batch 100 Loss 0.6688
Epoch 7 Batch 200 Loss 0.5818
Epoch 7 Batch 300 Loss 0.5499
Epoch 7 Loss 0.584454
Time taken for 1 epoch 37.779391288757324 sec

Epoch 8 Batch 0 Loss 0.5725
Epoch 8 Batch 100 Loss 0.5993
Epoch 8 Batch 200 Loss 0.4813
Epoch 8 Batch 300 Loss 0.5400
Epoch 8 Loss 0.557220
Time taken for 1 epoch 37.670920610427856 sec

Epoch 9 Batch 0 Loss 0.5315
Epoch 9 Batch 100 Loss 0.5684
Epoch 9 Batch 200 Loss 0.4836
Epoch 9 Batch 300 Loss 0.5019
Epoch 9 Loss 0.530330
Time taken for 1 epoch 38.1601185798645 sec

Epoch 10 Batch 0 Loss 0.5405
Epoch 10 Batch 100 Loss 0.5402
Epoch 10 Batch 200 Loss 0.4997
Epoch 10 Batch 300 Loss 0.4807
Epoch 10 Loss 0.503714
Time taken for 1 epoch 37.68390440940857 sec

Epoch 11 Batch 0 Loss 0.4911
Epoch 11 Batch 100 Loss 0.4674
Epoch 11 Batch 200 Loss 0.4687
Epoch 11 Batch 300 Loss 0.4511
Epoch 11 Loss 0.477244
Time taken for 1 epoch 37.828065395355225 sec

Epoch 12 Batch 0 Loss 0.4636
Epoch 12 Batch 100 Loss 0.4855
Epoch 12 Batch 200 Loss 0.4708
Epoch 12 Batch 300 Loss 0.3912
Epoch 12 Loss 0.450926
Time taken for 1 epoch 37.86421489715576 sec

Epoch 13 Batch 0 Loss 0.4395
Epoch 13 Batch 100 Loss 0.4245
Epoch 13 Batch 200 Loss 0.4839
Epoch 13 Batch 300 Loss 0.4292
Epoch 13 Loss 0.426043
Time taken for 1 epoch 37.768298625946045 sec

Epoch 14 Batch 0 Loss 0.4486
Epoch 14 Batch 100 Loss 0.3647
Epoch 14 Batch 200 Loss 0.4102
Epoch 14 Batch 300 Loss 0.4379
Epoch 14 Loss 0.400702
Time taken for 1 epoch 37.78010821342468 sec

Epoch 15 Batch 0 Loss 0.4021
Epoch 15 Batch 100 Loss 0.4026
Epoch 15 Batch 200 Loss 0.3531
Epoch 15 Batch 300 Loss 0.3736
Epoch 15 Loss 0.379577
Time taken for 1 epoch 37.77936053276062 sec

Epoch 16 Batch 0 Loss 0.3497
Epoch 16 Batch 100 Loss 0.3565
Epoch 16 Batch 200 Loss 0.3530
Epoch 16 Batch 300 Loss 0.3145
Epoch 16 Loss 0.356853
Time taken for 1 epoch 37.956844329833984 sec

Epoch 17 Batch 0 Loss 0.3651
Epoch 17 Batch 100 Loss 0.3703
Epoch 17 Batch 200 Loss 0.3086
Epoch 17 Batch 300 Loss 0.3552
Epoch 17 Loss 0.335187
Time taken for 1 epoch 38.11415076255798 sec

Epoch 18 Batch 0 Loss 0.3213
Epoch 18 Batch 100 Loss 0.3022
Epoch 18 Batch 200 Loss 0.3396
Epoch 18 Batch 300 Loss 0.3026
Epoch 18 Loss 0.315363
Time taken for 1 epoch 37.959665060043335 sec

Epoch 19 Batch 0 Loss 0.3075
Epoch 19 Batch 100 Loss 0.2823
Epoch 19 Batch 200 Loss 0.2825
Epoch 19 Batch 300 Loss 0.3005
Epoch 19 Loss 0.298387
Time taken for 1 epoch 37.6931517124176 sec

Epoch 20 Batch 0 Loss 0.3203
Epoch 20 Batch 100 Loss 0.2769
Epoch 20 Batch 200 Loss 0.2925
Epoch 20 Batch 300 Loss 0.2624
Epoch 20 Loss 0.282723
Time taken for 1 epoch 37.898409605026245 sec


plt.plot(loss_plot)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Loss Plot')
plt.show()

png

Rubrica!

  • A função de avaliação é semelhante ao loop de treinamento, exceto que você não usa a força do professor aqui. A entrada para o decodificador em cada etapa de tempo é suas previsões anteriores junto com o estado oculto e a saída do codificador.
  • Pare de prever quando o modelo prevê o token final.
  • E armazene os pesos de atenção para cada passo de tempo.
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> a herd of zebras drinking water at a lake <end>
Prediction Caption: a herd of zebras stand in a road <end>

png

Experimente em suas próprias imagens

Para se divertir, abaixo fornecemos um método que você pode usar para legendar suas próprias imagens com o modelo que acabamos de treinar. Lembre-se de que ele foi treinado com uma quantidade relativamente pequena de dados e suas imagens podem ser diferentes dos dados de treinamento (portanto, esteja preparado para resultados estranhos!)

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 3us/step
Prediction Caption: a person is riding a surfboard with surf board <end>

png

png

Próximos passos

Parabéns! Você acabou de treinar um modelo de legendagem de imagens com atenção. A seguir, dê uma olhada neste exemplo de tradução automática neural com atenção . Ele usa uma arquitetura semelhante para traduzir entre frases em espanhol e inglês. Você também pode experimentar treinar o código neste notebook em um conjunto de dados diferente.