Ajuda a proteger a Grande Barreira de Corais com TensorFlow em Kaggle Junte Desafio

Legendagem de imagens com atenção visual

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

Dada uma imagem como a do exemplo abaixo, seu objetivo é gerar uma legenda como "um surfista surfando em uma onda".

Homem surfando

Image Source ; 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 modelo é semelhante ao Mostrar, assistir e diga: Imagem Neural Caption Generation com o Visual Attention .

Este bloco de notas é um exemplo de ponta a ponta. Quando você executa o notebook, ele baixa os MS-coco conjunto de dados, pré-processa e armazena em cache um subconjunto de imagens usando Inception V3, treina um modelo codificador-descodificador, 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
# 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

Baixe e prepare o conjunto de dados MS-COCO

Você usará o conjunto de dados MS-COCO para treinar o seu 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
252887040/252872794 [==============================] - 16s 0us/step
Downloading data from http://images.cocodataset.org/zips/train2014.zip
13510574080/13510573713 [==============================] - 823s 0us/step
13510582272/13510573713 [==============================] - 823s 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 seu modelo. A escolha de usar mais dados resultaria em melhor qualidade de legenda.

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 baseball team congratulate each other on the field. <end>

png

Pré-processe as imagens usando InceptionV3

A seguir, você usará o InceptionV3 (que é pré-treinado no Imagenet) para classificar cada imagem. Você extrairá recursos da última camada convolucional.

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

  • Redimensionar a imagem para 299 por 299 pixels
  • Pré-processar as imagens , utilizando a preprocess_input método para normalizar a imagem, de forma que ele contém pixels na gama de -1 a 1, o que corresponde ao formato das imagens utilizadas para treinar InceptionV3.
def load_image(image_path):
    img = tf.io.read_file(image_path)
    img = tf.io.decode_jpeg(img, channels=3)
    img = tf.keras.layers.Resizing(299, 299)(img)
    img = tf.keras.applications.inception_v3.preprocess_input(img)
    return img, image_path

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. A forma da saída desta 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 transmitidas pela rede, você salva o dicionário 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
87924736/87910968 [==============================] - 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 armazenamento em cache levará cerca de 10 minutos para ser executado no Colab com uma GPU. Se quiser ver uma barra de progresso, você pode:

  1. Instale tqdm :

    !pip install 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.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

Você vai transformar as legendas de texto em seqüências de números inteiros usando o TextVectorization camada, com os seguintes passos:

  • Use adaptar para iterar sobre todas as legendas, dividir as legendas em palavras, e calcular um vocabulário dos top 5.000 palavras (para economizar memória).
  • Tokenize todas as legendas mapeando cada palavra para seu índice no vocabulário. Todas as sequências de saída serão preenchidas até o comprimento 50.
  • Crie mapeamentos de palavra a índice e índice a palavra para exibir os resultados.
caption_dataset = tf.data.Dataset.from_tensor_slices(train_captions)

# We will override the default standardization of TextVectorization to preserve
# "<>" characters, so we preserve the tokens for the <start> and <end>.
def standardize(inputs):
  inputs = tf.strings.lower(inputs)
  return tf.strings.regex_replace(inputs,
                                  r"!\"#$%&\(\)\*\+.,-/:;=?@\[\\\]^_`{|}~", "")

# Max word count for a caption.
max_length = 50
# Use the top 5000 words for a vocabulary.
vocabulary_size = 5000
tokenizer = tf.keras.layers.TextVectorization(
    max_tokens=vocabulary_size,
    standardize=standardize,
    output_sequence_length=max_length)
# Learn the vocabulary from the caption data.
tokenizer.adapt(caption_dataset)
# Create the tokenized vectors
cap_vector = caption_dataset.map(lambda x: tokenizer(x))
# Create mappings for words to indices and indicies to words.
word_to_index = tf.keras.layers.StringLookup(
    mask_token="",
    vocabulary=tokenizer.get_vocabulary())
index_to_word = tf.keras.layers.StringLookup(
    mask_token="",
    vocabulary=tokenizer.get_vocabulary(),
    invert=True)

Divida os dados em treinamento e teste

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)
(24013, 24013, 6002, 6002)

Crie um conjunto de dados tf.data para treinamento

Suas imagens e legendas estão prontas! Em seguida, vamos criar uma tf.data conjunto de dados a ser usado para treinar seu modelo.

# Feel free to change these parameters according to your system's configuration

BATCH_SIZE = 64
BUFFER_SIZE = 1000
embedding_dim = 256
units = 512
num_steps = len(img_name_train) // BATCH_SIZE
# Shape of the vector extracted from InceptionV3 is (64, 2048)
# These two variables represent that vector shape
features_shape = 2048
attention_features_shape = 64
# Load the numpy files
def map_func(img_name, cap):
  img_tensor = np.load(img_name.decode('utf-8')+'.npy')
  return img_tensor, cap
dataset = tf.data.Dataset.from_tensor_slices((img_name_train, cap_train))

# Use map to load the numpy files in parallel
dataset = dataset.map(lambda item1, item2: tf.numpy_function(
          map_func, [item1, item2], [tf.float32, tf.int64]),
          num_parallel_calls=tf.data.AUTOTUNE)

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

Modelo

Curiosidade: o decodificador abaixo é idêntico ao do exemplo para Neural Machine Translation com atenção .

A arquitetura do modelo é inspirado no Show, Participar e dizer papel.

  • Neste exemplo, você extrai os recursos da camada convolucional inferior do InceptionV3, dando-nos um vetor de forma (8, 8, 2048).
  • Você esmaga 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
    # This encoder passes those features through a Fully connected layer
    def __init__(self, embedding_dim):
        super(CNN_Encoder, self).__init__()
        # shape after fc == (batch_size, 64, embedding_dim)
        self.fc = tf.keras.layers.Dense(embedding_dim)

    def call(self, x):
        x = self.fc(x)
        x = tf.nn.relu(x)
        return x
class RNN_Decoder(tf.keras.Model):
  def __init__(self, embedding_dim, units, vocab_size):
    super(RNN_Decoder, self).__init__()
    self.units = units

    self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
    self.gru = tf.keras.layers.GRU(self.units,
                                   return_sequences=True,
                                   return_state=True,
                                   recurrent_initializer='glorot_uniform')
    self.fc1 = tf.keras.layers.Dense(self.units)
    self.fc2 = tf.keras.layers.Dense(vocab_size)

    self.attention = BahdanauAttention(self.units)

  def call(self, x, features, hidden):
    # defining attention as a separate model
    context_vector, attention_weights = self.attention(features, hidden)

    # x shape after passing through embedding == (batch_size, 1, embedding_dim)
    x = self.embedding(x)

    # x shape after concatenation == (batch_size, 1, embedding_dim + hidden_size)
    x = tf.concat([tf.expand_dims(context_vector, 1), x], axis=-1)

    # passing the concatenated vector to the GRU
    output, state = self.gru(x)

    # shape == (batch_size, max_length, hidden_size)
    x = self.fc1(output)

    # x shape == (batch_size * max_length, hidden_size)
    x = tf.reshape(x, (-1, x.shape[2]))

    # output shape == (batch_size * max_length, vocab)
    x = self.fc2(x)

    return x, state, attention_weights

  def reset_state(self, batch_size):
    return tf.zeros((batch_size, self.units))
encoder = CNN_Encoder(embedding_dim)
decoder = RNN_Decoder(embedding_dim, units, tokenizer.vocabulary_size())
optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=True, reduction='none')


def loss_function(real, pred):
  mask = tf.math.logical_not(tf.math.equal(real, 0))
  loss_ = loss_object(real, pred)

  mask = tf.cast(mask, dtype=loss_.dtype)
  loss_ *= mask

  return tf.reduce_mean(loss_)

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 extrair os recursos armazenados nos respectivos .npy arquivos e, em seguida, passar essas características através do encoder.
  • 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 backpropagate.
# adding this in a separate cell because if you run the training cell
# many times, the loss_plot array will be reset
loss_plot = []
@tf.function
def train_step(img_tensor, target):
  loss = 0

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

  dec_input = tf.expand_dims([word_to_index('<start>')] * target.shape[0], 1)

  with tf.GradientTape() as tape:
      features = encoder(img_tensor)

      for i in range(1, target.shape[1]):
          # passing the features through the decoder
          predictions, hidden, _ = decoder(dec_input, features, hidden)

          loss += loss_function(target[:, i], predictions)

          # using teacher forcing
          dec_input = tf.expand_dims(target[:, i], 1)

  total_loss = (loss / int(target.shape[1]))

  trainable_variables = encoder.trainable_variables + decoder.trainable_variables

  gradients = tape.gradient(loss, trainable_variables)

  optimizer.apply_gradients(zip(gradients, trainable_variables))

  return loss, total_loss
EPOCHS = 20

for epoch in range(start_epoch, EPOCHS):
    start = time.time()
    total_loss = 0

    for (batch, (img_tensor, target)) in enumerate(dataset):
        batch_loss, t_loss = train_step(img_tensor, target)
        total_loss += t_loss

        if batch % 100 == 0:
            average_batch_loss = batch_loss.numpy()/int(target.shape[1])
            print(f'Epoch {epoch+1} Batch {batch} Loss {average_batch_loss:.4f}')
    # storing the epoch end loss value to plot later
    loss_plot.append(total_loss / num_steps)

    if epoch % 5 == 0:
      ckpt_manager.save()

    print(f'Epoch {epoch+1} Loss {total_loss/num_steps:.6f}')
    print(f'Time taken for 1 epoch {time.time()-start:.2f} sec\n')
Epoch 1 Batch 0 Loss 1.8456
Epoch 1 Batch 100 Loss 1.0777
Epoch 1 Batch 200 Loss 0.9622
Epoch 1 Batch 300 Loss 0.8434
Epoch 1 Loss 1.014586
Time taken for 1 epoch 138.65 sec

Epoch 2 Batch 0 Loss 0.8335
Epoch 2 Batch 100 Loss 0.8837
Epoch 2 Batch 200 Loss 0.7463
Epoch 2 Batch 300 Loss 0.7511
Epoch 2 Loss 0.777150
Time taken for 1 epoch 44.74 sec

Epoch 3 Batch 0 Loss 0.7390
Epoch 3 Batch 100 Loss 0.7585
Epoch 3 Batch 200 Loss 0.6950
Epoch 3 Batch 300 Loss 0.7005
Epoch 3 Loss 0.701813
Time taken for 1 epoch 44.45 sec

Epoch 4 Batch 0 Loss 0.6982
Epoch 4 Batch 100 Loss 0.6722
Epoch 4 Batch 200 Loss 0.6755
Epoch 4 Batch 300 Loss 0.6401
Epoch 4 Loss 0.653093
Time taken for 1 epoch 44.19 sec

Epoch 5 Batch 0 Loss 0.6415
Epoch 5 Batch 100 Loss 0.6135
Epoch 5 Batch 200 Loss 0.5888
Epoch 5 Batch 300 Loss 0.5981
Epoch 5 Loss 0.615233
Time taken for 1 epoch 45.75 sec

Epoch 6 Batch 0 Loss 0.6065
Epoch 6 Batch 100 Loss 0.6230
Epoch 6 Batch 200 Loss 0.5508
Epoch 6 Batch 300 Loss 0.5959
Epoch 6 Loss 0.581023
Time taken for 1 epoch 47.52 sec

Epoch 7 Batch 0 Loss 0.6380
Epoch 7 Batch 100 Loss 0.5746
Epoch 7 Batch 200 Loss 0.5576
Epoch 7 Batch 300 Loss 0.5388
Epoch 7 Loss 0.551511
Time taken for 1 epoch 47.96 sec

Epoch 8 Batch 0 Loss 0.5271
Epoch 8 Batch 100 Loss 0.5487
Epoch 8 Batch 200 Loss 0.5278
Epoch 8 Batch 300 Loss 0.5051
Epoch 8 Loss 0.523634
Time taken for 1 epoch 48.34 sec

Epoch 9 Batch 0 Loss 0.5387
Epoch 9 Batch 100 Loss 0.5466
Epoch 9 Batch 200 Loss 0.5317
Epoch 9 Batch 300 Loss 0.5031
Epoch 9 Loss 0.495649
Time taken for 1 epoch 48.90 sec

Epoch 10 Batch 0 Loss 0.4812
Epoch 10 Batch 100 Loss 0.4890
Epoch 10 Batch 200 Loss 0.4800
Epoch 10 Batch 300 Loss 0.4306
Epoch 10 Loss 0.470460
Time taken for 1 epoch 47.05 sec

Epoch 11 Batch 0 Loss 0.4595
Epoch 11 Batch 100 Loss 0.5130
Epoch 11 Batch 200 Loss 0.4837
Epoch 11 Batch 300 Loss 0.4131
Epoch 11 Loss 0.445139
Time taken for 1 epoch 47.19 sec

Epoch 12 Batch 0 Loss 0.4641
Epoch 12 Batch 100 Loss 0.4102
Epoch 12 Batch 200 Loss 0.4096
Epoch 12 Batch 300 Loss 0.4063
Epoch 12 Loss 0.421503
Time taken for 1 epoch 45.00 sec

Epoch 13 Batch 0 Loss 0.4452
Epoch 13 Batch 100 Loss 0.4459
Epoch 13 Batch 200 Loss 0.4030
Epoch 13 Batch 300 Loss 0.3882
Epoch 13 Loss 0.400453
Time taken for 1 epoch 46.19 sec

Epoch 14 Batch 0 Loss 0.4027
Epoch 14 Batch 100 Loss 0.3852
Epoch 14 Batch 200 Loss 0.3856
Epoch 14 Batch 300 Loss 0.3698
Epoch 14 Loss 0.379271
Time taken for 1 epoch 45.01 sec

Epoch 15 Batch 0 Loss 0.4088
Epoch 15 Batch 100 Loss 0.4009
Epoch 15 Batch 200 Loss 0.3582
Epoch 15 Batch 300 Loss 0.3935
Epoch 15 Loss 0.361601
Time taken for 1 epoch 46.80 sec

Epoch 16 Batch 0 Loss 0.3429
Epoch 16 Batch 100 Loss 0.3767
Epoch 16 Batch 200 Loss 0.3294
Epoch 16 Batch 300 Loss 0.3133
Epoch 16 Loss 0.341073
Time taken for 1 epoch 47.21 sec

Epoch 17 Batch 0 Loss 0.3515
Epoch 17 Batch 100 Loss 0.3071
Epoch 17 Batch 200 Loss 0.3077
Epoch 17 Batch 300 Loss 0.3125
Epoch 17 Loss 0.325189
Time taken for 1 epoch 46.71 sec

Epoch 18 Batch 0 Loss 0.3130
Epoch 18 Batch 100 Loss 0.3286
Epoch 18 Batch 200 Loss 0.2938
Epoch 18 Batch 300 Loss 0.3057
Epoch 18 Loss 0.309311
Time taken for 1 epoch 45.67 sec

Epoch 19 Batch 0 Loss 0.2724
Epoch 19 Batch 100 Loss 0.3337
Epoch 19 Batch 200 Loss 0.2802
Epoch 19 Batch 300 Loss 0.2969
Epoch 19 Loss 0.293295
Time taken for 1 epoch 45.10 sec

Epoch 20 Batch 0 Loss 0.2915
Epoch 20 Batch 100 Loss 0.2914
Epoch 20 Batch 200 Loss 0.2780
Epoch 20 Batch 300 Loss 0.2671
Epoch 20 Loss 0.280478
Time taken for 1 epoch 45.18 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 são 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([word_to_index('<start>')], 0)
    result = []

    for i in range(max_length):
        predictions, hidden, attention_weights = decoder(dec_input,
                                                         features,
                                                         hidden)

        attention_plot[i] = tf.reshape(attention_weights, (-1, )).numpy()

        predicted_id = tf.random.categorical(predictions, 1)[0][0].numpy()
        predicted_word = tf.compat.as_text(index_to_word(predicted_id).numpy())
        result.append(predicted_word)

        if predicted_word == '<end>':
            return result, attention_plot

        dec_input = tf.expand_dims([predicted_id], 0)

    attention_plot = attention_plot[:len(result), :]
    return result, attention_plot
def plot_attention(image, result, attention_plot):
    temp_image = np.array(Image.open(image))

    fig = plt.figure(figsize=(10, 10))

    len_result = len(result)
    for i in range(len_result):
        temp_att = np.resize(attention_plot[i], (8, 8))
        grid_size = max(int(np.ceil(len_result/2)), 2)
        ax = fig.add_subplot(grid_size, grid_size, i+1)
        ax.set_title(result[i])
        img = ax.imshow(temp_image)
        ax.imshow(temp_att, cmap='gray', alpha=0.6, extent=img.get_extent())

    plt.tight_layout()
    plt.show()
# captions on the validation set
rid = np.random.randint(0, len(img_name_val))
image = img_name_val[rid]
real_caption = ' '.join([tf.compat.as_text(index_to_word(i).numpy())
                         for i in cap_val[rid] if i not in [0]])
result, attention_plot = evaluate(image)

print('Real Caption:', real_caption)
print('Prediction Caption:', ' '.join(result))
plot_attention(image, result, attention_plot)
Real Caption: <start> a close up of a banana on a bed <end>
Prediction Caption: a banana attached are next to a single [UNK] <end>

png

Experimente em suas próprias imagens

Para se divertir, abaixo é fornecido um método que pode ser usado para legendar suas próprias imagens com o modelo que você acabou 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 5us/step
73728/64400 [==================================] - 0s 4us/step
Prediction Caption: a man surfing on surf board on a wave. <end>

png

png

Próximos passos

Parabéns! Você acabou de treinar um modelo de legendagem de imagens com atenção. Em seguida, dê uma olhada neste exemplo Neural Machine Translation 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.