Transformer与看图说话

????????????????????????????????????????????????????????????????

一年一度的【博客之星】评选活动已开始啦

作为第一次且有幸能够参加评选的小博主

我诚惶诚恐

还请各位花费宝贵的几秒钟时间为我投上五星：

2022年「博客之星」参赛博主：老师我作业忘带了

✨✨✨✨✨谢谢各位✨✨✨✨✨

本项目来使用Transformer实现看图说话，即Image Caption任务。相关涉及的知识点有：迁移学习、EfficientNet、Transformer Encoder、Transformer Decoder、Self-attention。

项目效果如下：

文章末尾也展示了预测失败的时候 

Image Caption:

• 让机器在图片中生成一段描述性的文字。
• 机器需要检测出图中的物体、还需要了解物体中相互的关系，最后生成合理的序言描述。
• 像这种既需要 CV(计算机视觉) 又需要 NLP(自然语言处理) 的称之为多模态。

Image Caption论文推荐：

• MAOJH,XU W,YANG Y,etal．Deep captioning with multi-modal recurrent neural networks (m-RNN)
• VINYALSO,TOSHEV A,BENGIOS,etal．Showandtell:A neural image caption generator

自然语言及注意力等论文推荐(新手)：

• Efficient Estimation of Word Representations inVector Space
• Vaswani, Shazeer, Parmar, et al. (2017) Attention Is All You Need NeurIPS 
• Devlin, Chang, Lee, Toutanova (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language  Understanding NAACL
• XU K,BA JL,KIROS R,etal．Show,attendandtell:Neural image caption generation with visual attention
• LU JS,XIONG C M,DEVIP,etal．Knowing whentolook: Adaptive attention via a visual sentinel for image captioning（自适应注意力机制）

项目流程如下：

图片输入CNN进行特征提取后，输入Encoder形成序列，将token信号和Encoder的输出传递给Decoder，经过全连接和Softmax，得到输出结果。

详细网络架构：

其中左下角为CNN特征提取，右下角为自然语言中的文本embedding，上方则为transformer经典网络架构。

数据文件内容如下：

下载链接： 点击此处

其中文件夹中存放本次训练使用的图片集，下方json文件则写有对应图片的标注，如：

代码流程：

本次项目代码比较多，均已写在下方，且注释我已经努力写得很详细了：

一、前期配置

导入相关包 

# 导入相关包
import os
import re
import cv2
import random
import numpy as np
import matplotlib.pyplot as plt

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 导入预训练CNN
from tensorflow.keras.applications import efficientnet
from tensorflow.keras.layers.experimental.preprocessing import TextVectorization

import json
import jieba
import tqdm

设置GPU训练

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

设计任务基本参数

# 设置基本参数

# 图片地址
IMAGES_PATH = "./ai_challenger_caption_validation_20170910/caption_validation_images_20170910/"

# 目标大小
IMAGE_SIZE = (299, 299)

# 词汇量大小
VOCAB_SIZE = 10000

# 输出句子单词长度
SEQ_LENGTH = 25

# 特征向量长度
EMBED_DIM = 512

# 输出层维度大小
FF_DIM = 512

# 训练参数
BATCH_SIZE = 64
EPOCHS = 30
AUTOTUNE = tf.data.AUTOTUNE

二、数据预处理

2.1 将图片和它的“label”对应起来

这一步我们把图片的相对路径和其5个caption以字典的形式对应起来，过程中要使用jieba进行中文分割，加上start和end，并且去掉带有不合格caption的例子，保证我们的输入在其中一个维度大小是5。

token_len = [] # 用于后面统计句子中词的长度

def load_captions_json(filename):
    
    caption_mapping = {} # 映射字典  image1(path):[caption1,caption2...]
    text_data = [] # 把合格的处理好的caption放到这里 后面用来向量化
    images_to_skip = set() # 用来保存不合格的标注，后面在caption_mapping去掉对应的图片及其注释
    
    # 打开并读取json文件
    with open(filename) as f:
        json_data = json.load(f)
        # 遍历3W个json数据
        for item in tqdm.tqdm(json_data):
            # 图片的名字“id”
            img_name = item['image_id']
            # 图片的路径 
            img_path = os.path.join(IMAGES_PATH, img_name.strip())
            # 遍历属于每个图片的5个标注
            for caption in item['caption']:
                # 分词
                tokens =[word for word in jieba.cut(caption)]
                # 根据tokens构造caption（空格分隔的字符串）
                caption = " ".join(tokens)   
                
                # 存入句子中词的长度
                token_len.append(len(tokens))
                
                if len(tokens) < 3 or len(tokens) > SEQ_LENGTH:
                    images_to_skip.add(img_path)
                    continue

                # 如果文件名以jpg结尾，且标注不在images_to_skip中
                if img_path.endswith("jpg") and img_path not in images_to_skip:
                    # 增加开始和结束token
                    caption = "<start> " + caption.strip() + " <end>"
                    text_data.append(caption)

                    if img_path in caption_mapping:
                        # 追加
                        caption_mapping[img_path].append(caption)
                    else:
                        # 初始化
                        caption_mapping[img_path] = [caption]
                        
        # 如果文件名在images_to_skip中，则将caption_mapping中的元素删除掉
        # 即这里可能有的caption不是5个
        for img_path in images_to_skip:
            if img_path in caption_mapping:
                del caption_mapping[img_path]
                
        return caption_mapping, text_data

# 加载数据
captions_mapping, text_data = load_captions_json("./ai_challenger_caption_validation_20170910/caption_validation_annotations_20170910.json")

# 可见句子中词的平均长度为13 符合我们上方所设置的参数 如果不符合可以进行微调
np.array(token_len).mean()

13.015133333333333

此时返回的：

captions_mapping则是一个字典，键为图片的相对路径，值是一个列表，里面是其5个caption。 text_data是一个列表，里面是全部的caption,和captions_mapping.values()结果应该是一样的。

2.2 设置训练集和测试集

train_size=0.8

# all_images列表里是所有图片的文件路径
all_images = list(captions_mapping.keys())
# 打乱顺序
np.random.shuffle(all_images)
# 获取训练集数量
train_size = int(len(captions_mapping) * train_size)

train_data = {
    img_name: captions_mapping[img_name] for img_name in all_images[:train_size]
}
valid_data = {
    img_name: captions_mapping[img_name] for img_name in all_images[train_size:]
}

len(train_data),len(valid_data)

(23896, 5975)

2.3 文本向量化

# 去除句子中的特殊符号
strip_chars = "!\"#$%&'()*+,-./:;<=>?@[\]^_`{|}~"
strip_chars = strip_chars.replace("<", "") # 因为我们句子中有"<start>" "<end>"
strip_chars = strip_chars.replace(">", "")


def custom_standardization(input_string):
    # 全部转为小写
    lowercase = tf.strings.lower(input_string)
    return tf.strings.regex_replace(lowercase, "[%s]" % re.escape(strip_chars), "")


vectorization = TextVectorization(
    max_tokens=VOCAB_SIZE,  # 词汇量大小 最上方设置10000
    output_mode="int", 
    output_sequence_length=SEQ_LENGTH, # 输出句子长度 最上方设置25
    standardize=custom_standardization,
)

vectorization.adapt(text_data)

# 查看所有词汇
vectorization.get_vocabulary()

上方则是出现过的所有词，按照频率排序，索引0为空，1为未登入进来的词。

假如我们自己随便写句话：一个男人在打游戏

可以看到 '一个 男人 在 打 游戏' 这五个词的索引分别是 5，8，6，687 其中0代表补白(当然也可以看作索引0的空)，如果句子短不到25就用0补充，超过25了就截断。

解码操作，vocab[向量] 如 vocab[[1,2,3]] 会得根据索引到相应的话

vocab = np.array(vectorization.get_vocabulary())
vocab[[5,8,6,67,687]]

array(['一个', '男人', '在', '打', '游戏'], dtype='<U7')

vocab[[7853,6,967,1]]

array(['我', '在', '准备', '[UNK]'], dtype='<U7')

2.4 制作数据集

这一步 我们要把train_data和valid_data这两个字典中的图片进行压缩resize 生成准备使用的数据集格式

• tf.data.Dataset.from_tensor_slices() 该函数的作用是接收tensor，对tensor的第一维度进行切分，并返回一个表示该tensor的切片数据集

def decode_and_resize(img_path):
    # 读取图片，并缩放
    img = tf.io.read_file(img_path)
    img = tf.image.decode_jpeg(img, channels=3)
    img = tf.image.resize(img, IMAGE_SIZE)
    img = tf.image.convert_image_dtype(img, tf.float32)
    return img


def process_input(img_path, captions):
    return decode_and_resize(img_path), vectorization(captions)


def make_dataset(images, captions):
    dataset = tf.data.Dataset.from_tensor_slices((images, captions))
    dataset = dataset.shuffle(len(images))
    dataset = dataset.map(process_input, num_parallel_calls=AUTOTUNE)
    dataset = dataset.batch(BATCH_SIZE).prefetch(AUTOTUNE)

    return dataset
    
    
# 制作数据集
train_dataset = make_dataset(list(train_data.keys()), list(train_data.values()))
valid_dataset = make_dataset(list(valid_data.keys()), list(valid_data.values()))

接下来我们从train_dataset中拿出数据来看一下到底是什么，因为它是一个可迭代对象，一批有64个(batch个)，一共23896/64=374批只看一个就可以，所以记得加上break。

可以看到输入图片的大小是 299x299x3 后方词向量caption有5个，每个长25

for i in train_dataset:
    print(i[0].shape)
    print(i[1].shape)
    break

(64, 299, 299, 3)
(64, 5, 25)

for i in train_dataset:
    # 获取图片
    img = i[0][0].numpy().astype('int')
    # 获取标注(词向量)
    caption = i[1][0].numpy()
    # 显示
    plt.imshow(img)
    # 解码
    print(vocab[caption])
    break

2.5 数据增强

增的太强了会抑制过拟合 但会降低准确率(当然了0.0) 

# 数据增强
image_augmentation = keras.Sequential(
    [
        layers.experimental.preprocessing.RandomFlip("horizontal"),
        layers.experimental.preprocessing.RandomRotation(0.2),
        layers.experimental.preprocessing.RandomContrast(0.3),
    ]
)

三、构建模型

3.1 构建CNN提取图片特征

方便起见，这里选择使用 EfficientNet 和 迁移学习 的方式来完成

其中 EfficientNet由16个移动翻转瓶颈卷积模块，2个卷积层，1个全局平均池化层和1个分类层构成。

def get_cnn_model():
    # CNN模型
    base_model = efficientnet.EfficientNetB0(
        input_shape=(*IMAGE_SIZE, 3), include_top=False, weights="imagenet",
    )
    # 冻住特征提取层
    base_model.trainable = False
    base_model_out = base_model.output
    # 我们要修改输出层，(n,100,1280)
    base_model_out = layers.Reshape((-1, base_model_out.shape[-1]))(base_model_out)
    cnn_model = keras.models.Model(base_model.input, base_model_out)
    return cnn_model

cnn_model = get_cnn_model()
cnn_model.summary()

......

reshape (Reshape)               (None, 100, 1280)    0           top_activation[0][0]             
==================================================================================================
Total params: 4,049,571
Trainable params: 0
Non-trainable params: 4,049,571
__________________________________________________________________________________________________

这样 当我们每输入一批/一个batch个数据时，就会输出一批/一个batch个数据：

即输入 64x299x299x3的图片 输出64个图片的特征，维度是100x1280

测试一下CNN

# 模拟图片测试一下
cnn_test_input = tf.random.normal([64, 299,299,3]) # 随机正态分布64张299x299x3的图片
# 输入网络
cnn_test_output = cnn_model(cnn_test_input, training=False)
cnn_test_output.shape

TensorShape([64, 100, 1280])

3.2 构建编码器transformer encoder

class TransformerEncoderBlock(layers.Layer):
    def __init__(self, embed_dim, dense_dim, num_heads, **kwargs):
        super().__init__()
        self.embed_dim = embed_dim
        self.dense_dim = dense_dim
        self.num_heads = num_heads
        self.attention_1 = layers.MultiHeadAttention( # multi head attention
            num_heads=num_heads, key_dim=embed_dim, dropout=0.0
        ) # 头的数量  输出维度的大小  dropout
        self.layernorm_1 = layers.LayerNormalization()
        self.layernorm_2 = layers.LayerNormalization()
        self.dense_1 = layers.Dense(embed_dim, activation="relu")

    def call(self, inputs, training, mask=None):
        # layer norm
        inputs = self.layernorm_1(inputs)
        inputs = self.dense_1(inputs)
        
        # 传入 q k v
        attention_output_1 = self.attention_1(
            query=inputs,
            value=inputs,
            key=inputs,
            attention_mask=None,
            training=training, # training：布尔值，表示推理还是训练（是否使用 dropout）
        )
        # residual然后再layer norm
        out_1 = self.layernorm_2(inputs + attention_output_1) # 残差链接
        return out_1

测试一下transformer encoder

# 测试一下  我们把CNN的特征值给它
encoder = TransformerEncoderBlock(embed_dim=EMBED_DIM, dense_dim=FF_DIM, num_heads=1)
# 输入网络
encoder_test_output = encoder(cnn_test_output, training=False)
encoder_test_output.shape

TensorShape([64, 100, 512])

3.3 位置编码Positional Embedding

这一步做的是： 每张图片对应5个词向量，我们选出一个去掉最后的""(此时长为24了)，之前比如词向量是[1,6,4,2,0,0,...,0] 现在对其进行升维，比如用一个二维(该项目升维512)坐标分别表示1，6，4，...，

如： 1->[0.1, 4.2] 6->[4.1, 2.0] ...

class PositionalEmbedding(layers.Layer):
    # 位置编码
    def __init__(self, sequence_length, vocab_size, embed_dim, **kwargs):
        super().__init__()
        '''
        embedding用法：https://stats.stackexchange.com/questions/270546/how-does-keras-embedding-layer-work
        input_dim：词汇数量；output_dim：特征向量大小
        '''
        # token embedding：长度为vocab_size，特征向量为：embed_dim
        self.token_embeddings = layers.Embedding(
            input_dim=vocab_size, output_dim=embed_dim
        )
        # position_embeddings：
        self.position_embeddings = layers.Embedding(
            input_dim=sequence_length, output_dim=embed_dim
        )
        self.sequence_length = sequence_length
        self.vocab_size = vocab_size
        self.embed_dim = embed_dim

        # 512开根号：22.627416998：https://jalammar.github.io/illustrated-transformer/
        self.embed_scale = tf.math.sqrt(tf.cast(embed_dim, tf.float32))


    def call(self, inputs):
        # 获取caption长度，这里是24个（前24个单词，去掉<end>）
        length = tf.shape(inputs)[-1]

        # 生成0~length(即24)的数字
        positions = tf.range(start=0, limit=length, delta=1)
        
        # 输入的句子index转为embedding特征，大小：(N, 24, 512)
        embedded_tokens = self.token_embeddings(inputs)
        # 乘以22.62  上面开根号了 这里乘过去 反向传播好算
        embedded_tokens = embedded_tokens * self.embed_scale
        
        # 位置编码，大小：(24, 512)
        embedded_positions = self.position_embeddings(positions)
        
        # 加和 返回
        return embedded_tokens + embedded_positions

测试一下PositionalEmbedding

# 测试模型
test_embedding_model = PositionalEmbedding(embed_dim=EMBED_DIM, sequence_length=SEQ_LENGTH, vocab_size=VOCAB_SIZE)

# 测试输入，选择一个batch中的第一个句子（一共有5个）
for i in train_dataset:
    # 获取测试标签中的一个的前24个词 大小(64, 24)
    caption = i[1][:,0,:-1]
    print(caption.shape)
    # 传入模型
    positional_output = test_embedding_model(caption)
    # 打印结果的大小
    print(positional_output.shape)
    break

(64, 24)
(64, 24, 512)

强制教学，原来是64x24x1 现在是(64, 24, 512) 简单来说就是词向量映射到高维了

长度为24的单词变为512的embedding向量

3.4 构建解码器transformer decoder

这里不懂的自己查一下吧 三言两语说不完

总之 这一步最后输出为VOCAB_SIZE(这里为1000)大小的向量，对应位置的大小为概率，可以查索引来获取相应原单词，比如变成(64, 24, 10000)

class TransformerDecoderBlock(layers.Layer):
    
    def __init__(self, embed_dim, ff_dim, num_heads, **kwargs):
        super().__init__()
        self.embed_dim = embed_dim
        self.ff_dim = ff_dim
        self.num_heads = num_heads
        self.attention_1 = layers.MultiHeadAttention(
            num_heads=num_heads, key_dim=embed_dim, dropout=0.1
        )
        self.attention_2 = layers.MultiHeadAttention(
            num_heads=num_heads, key_dim=embed_dim, dropout=0.1
        )
        self.ffn_layer_1 = layers.Dense(ff_dim, activation="relu")
        self.ffn_layer_2 = layers.Dense(embed_dim)

        self.layernorm_1 = layers.LayerNormalization()
        self.layernorm_2 = layers.LayerNormalization()
        self.layernorm_3 = layers.LayerNormalization()
        
        # 位置编码
        self.embedding = PositionalEmbedding(
            embed_dim=EMBED_DIM, sequence_length=SEQ_LENGTH, vocab_size=VOCAB_SIZE
        )
        
        self.out = layers.Dense(VOCAB_SIZE, activation="softmax")

        self.dropout_1 = layers.Dropout(0.3)
        self.dropout_2 = layers.Dropout(0.5)
        self.supports_masking = True

    def call(self, inputs, encoder_outputs, training, mask=None):
        
        # 获取位置编码，(N,24) --> (N,24,512)
        inputs = self.embedding(inputs)
        
        '''
        causal_mask 的 shape:(64,24,24)
        64个一模一样，大小为(24, 24)的mask
         
        '''
        causal_mask = self.get_causal_attention_mask(inputs)
        
        
        '''
        mask (64,24) --> padding_mask (64, 24, 1)

        padding_mask：64个大小为(24, 1)的mask
        [[1][1][1]...[0][0][0][0][0]]
        '''
        padding_mask = tf.cast(mask[:, :, tf.newaxis], dtype=tf.int32)

        '''
        mask (64,24) --> combined_mask (64, 1, 24)            
        combined_mask：64个大小为(1, 24)的mask
        [[1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]]
        '''
        combined_mask = tf.cast(mask[:, tf.newaxis, :], dtype=tf.int32)


        '''
        在combined_mask与causal_mask选择最小值，大小(64, 24, 24)
        64个不再一模一样，大小为(24, 24)的mask
        '''

        combined_mask = tf.minimum(combined_mask, causal_mask)
     
            
        # 第一个masked self  attention，QKV都是inputs, mask是causal mask，强制训练时只关注输出位置左侧的token，以便模型可以自回归地推断
        
        attention_output_1 = self.attention_1(
            query=inputs,
            value=inputs,
            key=inputs,
            attention_mask=combined_mask,
            training=training,
        )
        out_1 = self.layernorm_1(inputs + attention_output_1)
        

        
        # cross attention，其中K、V来自encoder，Q来自decoder前一个的attention输出，mask是padding mask，用来遮挡25个单词中补白的部分
        attention_output_2 = self.attention_2(
            query=out_1,
            value=encoder_outputs,
            key=encoder_outputs,
            attention_mask=padding_mask,
            training=training,
        )
        out_2 = self.layernorm_2(out_1 + attention_output_2)

        ffn_out = self.ffn_layer_1(out_2)
        ffn_out = self.dropout_1(ffn_out, training=training)
        ffn_out = self.ffn_layer_2(ffn_out)

        ffn_out = self.layernorm_3(ffn_out + out_2, training=training)
        ffn_out = self.dropout_2(ffn_out, training=training)
        
        # 最后输出为VOCAB_SIZE大小的向量，对应位置的大小为概率，可以查索引来获取相应原单词
        preds = self.out(ffn_out)
        return preds

    def get_causal_attention_mask(self, inputs):
        '''
        causal: 因果关系mask
        '''
        # (N,24,512)
        input_shape = tf.shape(inputs)
        # 分别为N，24
        batch_size, sequence_length = input_shape[0], input_shape[1]

        #范围0~24的列表，变成大小(24, 1)的数组
        i = tf.range(sequence_length)[:, tf.newaxis]
        #范围0~24的列表
        j = tf.range(sequence_length)
        mask = tf.cast(i >= j, dtype="int32")
        
        # 大小为(1, 24, 24)
        mask = tf.reshape(mask, (1, input_shape[1], input_shape[1]))
        
        scale = tf.concat(
            [tf.expand_dims(batch_size, -1), tf.constant([1, 1], dtype=tf.int32)],
            axis=0,
        )
        # (1, 24, 24)铺成(64, 24, 24)
        result = tf.tile(mask, scale)

        return result

测试一下transformer decoder

# 测试模型
decoder = TransformerDecoderBlock(embed_dim=EMBED_DIM, ff_dim=FF_DIM, num_heads=2)
# decoder.summary()

# 测试输入
for i in train_dataset:
    # 前0~ -1（24）个单词（去尾）
    batch_seq_inp = i[1][:,0,:-1]
    # print(batch_seq_inp.shape)

    # 前1~ 个（24）个单词（掐头），用做ground truth标注
    batch_seq_true = i[1][:,0,1:]
    # print(batch_seq_true.shape)
    
    # 将batch_seq_true中的每一个元素和0作对比，返回类似[true,true,false]形式的mask，遇到0，则会变成false，0表示字符串中长度不够25的补白部分（padding）
    mask = tf.math.not_equal(batch_seq_true, 0)
    # print(mask.shape)
    
    # 输入decoder预测的序列
    batch_seq_pred = decoder(
        batch_seq_inp, encoder_test_output, training=False, mask=mask
    )
    print(batch_seq_pred.shape)
    break

(64, 24, 10000)

3.5 构建ImageCaption任务模型

这里调用到上方CNN、encoder和decoder  顺序为该项目的模型流程

• 获取图片CNN特征--》
• 传给encoder--》
• 1.对于decoder先提供<start>--》
• 2.传给decoder推理--》
• 3.不断投喂给模型，直到遇到停止.
• 4.如果循环次数超出句子长度，也停止.

class ImageCaptioningModel(keras.Model):
    def __init__(
        self, cnn_model, encoder, decoder, num_captions_per_image=5, image_aug=None,
    ):
        super().__init__()
        self.cnn_model = cnn_model
        self.encoder = encoder
        self.decoder = decoder
        self.loss_tracker = keras.metrics.Mean(name="loss")
        self.acc_tracker = keras.metrics.Mean(name="accuracy")
        self.num_captions_per_image = num_captions_per_image
        self.image_aug = image_aug

    def calculate_loss(self, y_true, y_pred, mask):
        loss = self.loss(y_true, y_pred)
        mask = tf.cast(mask, dtype=loss.dtype)
        loss *= mask
        return tf.reduce_sum(loss) / tf.reduce_sum(mask)

    def calculate_accuracy(self, y_true, y_pred, mask):
        accuracy = tf.equal(y_true, tf.argmax(y_pred, axis=2))
        accuracy = tf.math.logical_and(mask, accuracy)
        accuracy = tf.cast(accuracy, dtype=tf.float32)
        mask = tf.cast(mask, dtype=tf.float32)
        return tf.reduce_sum(accuracy) / tf.reduce_sum(mask)

    def _compute_caption_loss_and_acc(self, img_embed, batch_seq, training=True):
        '''
        计算loss
        '''
        # 图片的embedding特征输入encoder,得到新的seq，大小（N,100,512）
        encoder_out = self.encoder(img_embed, training=training)
        
        # batch_seq的shape：(64, 25)
        # 前24个单词（去尾）
        batch_seq_inp = batch_seq[:, :-1]
        
        # 后24个单词（掐头），用做ground truth标注
        batch_seq_true = batch_seq[:, 1:]
        
        # mask掩码，将batch_seq_true中的每一个元素和0作对比，返回类似[true,true,false]形式的mask，遇到0，则会变成false，0表示字符串中长度不够25的补白部分（padding）
        mask = tf.math.not_equal(batch_seq_true, 0)
        
        # 输入decoder预测的序列
        batch_seq_pred = self.decoder(
            batch_seq_inp, encoder_out, training=training, mask=mask
        )
        # 计算loss和acc
        loss = self.calculate_loss(batch_seq_true, batch_seq_pred, mask)
        acc = self.calculate_accuracy(batch_seq_true, batch_seq_pred, mask)
        return loss, acc

    def train_step(self, batch_data):
        '''
        训练步骤
        '''
        # 获取图片和标注
        batch_img, batch_seq = batch_data
        # 初始化
        batch_loss = 0
        batch_acc = 0
        # 是否使用数据增强
        if self.image_aug:
            batch_img = self.image_aug(batch_img)

        # 获取图片embedding特征
        img_embed = self.cnn_model(batch_img)

        # 遍历5个文本标注
        for i in range(self.num_captions_per_image):
            with tf.GradientTape() as tape:
                # 计算loss和acc
                # batch_seq的shape：(64, 5, 25)
                loss, acc = self._compute_caption_loss_and_acc(
                    img_embed, batch_seq[:, i, :], training=True
                )

                # 更新loss和acc
                batch_loss += loss
                batch_acc += acc

            # 获取所有可训练参数
            train_vars = (
                self.encoder.trainable_variables + self.decoder.trainable_variables
            )

            # 获取梯度
            grads = tape.gradient(loss, train_vars)

            # 更新参数
            self.optimizer.apply_gradients(zip(grads, train_vars))

        # 更新
        batch_acc /= float(self.num_captions_per_image)
        self.loss_tracker.update_state(batch_loss)
        self.acc_tracker.update_state(batch_acc)

        return {"loss": self.loss_tracker.result(), "acc": self.acc_tracker.result()}

    def test_step(self, batch_data):
        batch_img, batch_seq = batch_data
        batch_loss = 0
        batch_acc = 0

        # 获取图片embedding特征
        img_embed = self.cnn_model(batch_img)

        # 遍历5个文本标注
        for i in range(self.num_captions_per_image):
            
            loss, acc = self._compute_caption_loss_and_acc(
                img_embed, batch_seq[:, i, :], training=False
            )

            batch_loss += loss
            batch_acc += acc

        batch_acc /= float(self.num_captions_per_image)

        self.loss_tracker.update_state(batch_loss)
        self.acc_tracker.update_state(batch_acc)

        return {"loss": self.loss_tracker.result(), "acc": self.acc_tracker.result()}

    @property
    def metrics(self):
        return [self.loss_tracker, self.acc_tracker]

四、编译模型

4.1 模型实例化

cnn_model = get_cnn_model()
encoder = TransformerEncoderBlock(embed_dim=EMBED_DIM, dense_dim=FF_DIM, num_heads=1)
decoder = TransformerDecoderBlock(embed_dim=EMBED_DIM, ff_dim=FF_DIM, num_heads=2)
caption_model = ImageCaptioningModel(
    cnn_model=cnn_model, encoder=encoder, decoder=decoder, image_aug=image_augmentation,
)

4.2 设置loss、早停参数

# loss
cross_entropy = keras.losses.SparseCategoricalCrossentropy(
    from_logits=False, reduction="none"
)

# 提前终止
early_stopping = keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True)



class LRSchedule(keras.optimizers.schedules.LearningRateSchedule):
    def __init__(self, post_warmup_learning_rate, warmup_steps):
        super().__init__()
        self.post_warmup_learning_rate = post_warmup_learning_rate
        self.warmup_steps = warmup_steps

    def __call__(self, step):
        global_step = tf.cast(step, tf.float32)
        warmup_steps = tf.cast(self.warmup_steps, tf.float32)
        warmup_progress = global_step / warmup_steps
        warmup_learning_rate = self.post_warmup_learning_rate * warmup_progress
        return tf.cond(
            global_step < warmup_steps,
            lambda: warmup_learning_rate,
            lambda: self.post_warmup_learning_rate,
        )

# LR调节
num_train_steps = len(train_dataset) * EPOCHS
num_warmup_steps = num_train_steps // 15
lr_schedule = LRSchedule(post_warmup_learning_rate=1e-4, warmup_steps=num_warmup_steps)

4.3 编译并训练

# 编译
caption_model.compile(optimizer=keras.optimizers.Adam(lr_schedule), loss=cross_entropy)

# 训练
caption_model.fit(
    train_dataset,
    epochs=EPOCHS,
    validation_data=valid_dataset,
    callbacks=[early_stopping],
)

4.4 保存权重

caption_model.save_weights("./my_model/checkpoint")

4.5 加载权重进行测试

load_status = caption_model.load_weights("./my_model/checkpoint")

vocab = vectorization.get_vocabulary()
index_lookup = dict(zip(range(len(vocab)), vocab))
max_decoded_sentence_length = SEQ_LENGTH - 1
valid_images = list(valid_data.keys())
valid_caption = list(valid_data.values())
valid_len = len(valid_images)

• 获取图片CNN特征--》
• 传给encoder--》
• 1.对于decoder先提供<start>--》
• 2.传给decoder推理--》
• 3.不断投喂给模型，直到遇到停止.
• 4.如果循环次数超出句子长度，也停止.

def generate_caption():
    # 在测试集中随机取一张图片
    random_index = random.randrange(0,valid_len)
    sample_img = valid_images[random_index]
    sample_caption = valid_caption[random_index][0]
    # 读取图片
    sample_img = decode_and_resize(sample_img)
    img_show = sample_img.numpy().clip(0, 255).astype(np.uint8)

    plt.imshow(img_show)
    plt.axis('off')
    plt.show()
    
    # 保存
    cv2.imwrite('./img/raw.jpg',cv2.cvtColor(img_show,cv2.COLOR_RGB2BGR))
    # 获取CNN特征
    img = tf.expand_dims(sample_img, 0)
    img = caption_model.cnn_model(img)

    # 传给encoder
    encoded_img = caption_model.encoder(img, training=False)
    
    
    # 1.先提供"<start> "
    # 2.传给decoder推理，
    # 3.不断投喂给模型，直到遇到<end>停止
    # 4.如果循环次数超出句子长度，也停止
    decoded_caption = "<start> "
    for i in range(max_decoded_sentence_length): # 24
        tokenized_caption = vectorization([decoded_caption])[:, :-1]
        mask = tf.math.not_equal(tokenized_caption, 0)

        # 预测
        predictions = caption_model.decoder(
            tokenized_caption, encoded_img, training=False, mask=mask
        )
        sampled_token_index = np.argmax(predictions[0, i, :])
        sampled_token = index_lookup[sampled_token_index]
        if sampled_token == " <end>":
            break
        decoded_caption += " " + sampled_token

    decoded_caption = decoded_caption.replace("<start> ", "")
    decoded_caption = decoded_caption.replace(" <end>", "").strip()
    
    sample_caption = sample_caption.replace("<start> ", "")
    sample_caption = sample_caption.replace(" <end>", "").strip()
    
    
    print("预测: ", decoded_caption)
    print('真实：',sample_caption)

generate_caption()

generate_caption()

4.6 测试自己的图片

def predict_imgs(path):
    input_img = decode_and_resize(path).numpy().clip(0, 255).astype(np.uint8)
    
    plt.imshow(input_img)
    plt.axis('off')
    plt.show()
    
    # 获取CNN特征
    img = tf.expand_dims(input_img, 0)
    img = caption_model.cnn_model(img)
    # 传给encoder
    encoded_img = caption_model.encoder(img, training=False)


    # 1.先提供"<start> "
    # 2.传给decoder推理，
    # 3.不断投喂给模型，直到遇到<end>停止
    # 4.如果循环次数超出句子长度，也停止
    decoded_caption = "<start> "
    for i in range(max_decoded_sentence_length): # 24
        tokenized_caption = vectorization([decoded_caption])[:, :-1]
        mask = tf.math.not_equal(tokenized_caption, 0)

        # 预测
        predictions = caption_model.decoder(
            tokenized_caption, encoded_img, training=False, mask=mask
        )
        sampled_token_index = np.argmax(predictions[0, i, :])
        sampled_token = index_lookup[sampled_token_index]
        if sampled_token == " <end>":
            break
        decoded_caption += " " + sampled_token
    decoded_caption = decoded_caption.replace("<start> ", "")
    decoded_caption = decoded_caption.replace(" <end>", "").strip()

    print("预测: ", decoded_caption)

path = './a01.jpg'
predict_imgs(path)

主要原因是我们的数据集见识比较少，导致预测错误。 

path = './a02.jpg'
predict_imgs(path)

这次模型将功补过，成功悟出了一代巨星的动作！