深度学习实现自动生成图片字幕

摘要：介绍本次项目使用深度学习自动生成图像字幕。本次，我们利用迁移学习使用模型实现此功能。使用对损失修正。至于文本预测部分与使用注意力机制实现机器翻译大体一致。

本次项目使用深度学习自动生成图像字幕。如上图，模型自动生成“The person is riding a surfboard in the ocean”字幕。我们具体该如何实现呢？

如图所示，我们需要分别使用CNN和RNN模型来实现。

CNN模型：

利用卷积网络对图像特征提取的强大能力，来提取特征信息。我们的CNN模型需要有强大的识别能力，因此该模型需要使用过大量，多类别的训练集进行训练，并且识别准确率较高。本次，我们利用迁移学习使用Inception模型实现此功能。
通过迁移学习实现OCT图像识别 文章中有迁移学习的相关介绍。

RNN模型：
对于文本序列数据，目前我们最好的选择依然是RNN模型。为了提升模型预测能力，我们使用注意力机制实现文本预测。
注意力机制实现机器翻译 文章中有注意力机制的相关介绍。

对模型的细节要求我们将在对应代码实现里进行介绍。

我们使用MS-COCO数据集进行训练，为方便理解，简单介绍下数据格式。COCO数据有5种类型，分别是： object detection, keypoint detection, stuff segmentation, panoptic segmentation，image captioning。基础数据结构如下图所示：

具体样例(部分)：

本次项目使用的是Image Captioning其中，每张照片不少于5个字幕：

import tensorflow as tf
# 开启eager模式
tf.enable_eager_execution()
import matplotlib.pyplot as plt
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

annotation_zip=tf.keras.utils.get_file(
    # cache_dir(默认值): `~/.keras`
    # cache_subdir: `datasets`,
    # ~/.keras/datasets/captions.zip
    fname="captions.zip",
    cache_subdir=os.path.abspath("."),
    origin="http://images.cocodataset.org/annotations/annotations_trainval2014.zip",
    # 解压
    extract=True
)

# 返回文件夹名，实现：split(file)[0]
annotation_file = os.path.dirname(annotation_zip)+"/annotations/captions_train2014.json"
name_of_zip="train2014.zip"
if not os.path.exists(os.path.abspath(".")+"/"+name_of_zip):
    image_zip=tf.keras.utils.get_file(
        fname=name_of_zip,
        cache_subdir=os.path.abspath("."),
        origin="http://images.cocodataset.org/zips/train2014.zip",
        extract=True
    )
    PATH=os.path.dirname(image_zip)+"train2014/"
else:
    PATH=os.path.abspath(".")+"/train2014/"

读取字幕和图片：

# 读取注释json文件
with open(annotation_file,"r") as f:
    annotations=json.load(f)

# 保存全部字幕
all_captions=[]

# 保存全部图片
all_img_name_vecotr=[]

# json格式参考COCO数据集官网
for annot in annotations["annotations"]:
    
    # 添加开始和结束标记
    caption=""+annot["caption"]+""
    # 获取图片名字
    image_id=annot["image_id"]
    # 参考文章开始给出的“具体样例”
    full_coco_image_path=PATH+"COCO_train2014_"+"%012d.jpg"%(image_id)

    all_img_name_vecotr.append(full_coco_image_path)
    all_captions.append(caption)

# random_state 随机种子，确保每次数据一致
train_captions,img_name_vector=shuffle(
        all_captions,
        all_img_name_vecotr,
        random_state=1
    )

    # 使用训练集前30000样本
    num_examples=30000
    train_captions=train_captions[:num_examples]
    img_name_vector=img_name_vector[:num_examples]

重训练InceptionV3：

简单介绍下InceptionV3模型：

Inception模型结构中最重要的思想就是卷积核分解。通过上图可知，5x5的卷积可由2个3x3的卷积代替，3x3卷积可由一个3x1卷积和一个1x3卷积代替，代替的好处是减少了权重参数量，增加了网络非线性（层增多）。比如，一个5x5卷积的权重参数量和2个3x3卷积的权重参数量分别是（5x5):(3x3)x2。InceptionV3中就将7x7的卷积分解成7x1卷积和1x7卷积。

批标准化（BN）正式提出是在InceptionV2，BN通过将输入分布转变成均值为0，标准差为1的正态分布，将值域处于激活函数敏感范围从而防止梯度消失问题。正因为梯度消失问题的解决，我们可以使用更大的学习率进行训练从而加快模型收敛。由于BN有类似Dropout的正则化作用，因此在训练的时候不使用或少使用Dropout，并减轻L2正则。

使用非对称卷积，如：1x3卷积，3x1卷积（论文作者指出在feature map的大小12x12~20x20之间效果最好）。

使用Label Smoothing对损失修正。下图是新损失函数：

网络各层信息如下图所示：

# 使用inception V3 要求图片分辨率：299，299
# 输入值范围[-1,1]

def load_image(image_path):
    img=tf.image.decode_jpeg(tf.read_file(image_path))
    img_reshape=tf.image.resize_images(img,(299,299))

    # 像素范围[-1,1]
    # (-255)/255
    img_range=tf.keras.applications.inception_v3.preprocess_input(img_reshape)

    return img_range,image_path

使用迁移学习构建新模型：

# 最后一层卷积输入shape(8*8*2048),并将结果向量保存为dict
image_model=tf.keras.applications.InceptionV3(
    # 不使用最后全连接层
    include_top=False,
    # inception模型的训练集是imagenet
    weigths="imagenet"
)

# shape:(batch_size,299,299,3)
new_input=image_model.input

# hidden_layer shape:(batch_size,8,8,2048)
hidden_layer=image_model.layers[-1].output

# 创建新模型
image_features_extract_model=tf.keras.Model(
    new_input,
    hidden_layer
)

保存通过使用InceptionV3获得的特征：

encode_train=sorted(set(img_name_vector))

# map:可以并行处理数据，默认读取的文件具有确定性顺序
# 取消顺序可以加快数据读取
# 通过设置参数num_parallel_calls实现
image_dataset=tf.data.Dataset.from_tensor_slices(encode_train).map(load_image).batch(16)


for img,path in image_dataset:
    # inception v3得到的feature
    batch_features=image_features_extract_model(img)
    batch_features=tf.reshape(
        
        # shape:(batch_size,8,8,2048) reshape：(batch_size,64,2048)
        batch_features,shape=(batch_features.shape[0],-1,batch_features[3])
    )

# 保存
for bf,p in zip(batch_features,path):
    path_of_feature=p.numpy().decode("utf-8")

    # 文件后缀.npy
    np.save(path_of_feature,bf.numpy())

文本处理方式还是老规矩，先将文本转成字典表示然后创建字符转ID，ID转字符，最后补长到预设长度。

# 计算最大长度
def calc_max_length(tensor):
    return max(len(t)for t in tensor)

top_k=5000
tokenizer=tf.keras.preprocessing.text.Tokenizer(
    num_words=top_k,

    # 字典中没有的字符用代替
    oov_token="",

    # 需要过滤掉的特殊字符
    filters="!"#$%&()*+.,-/:;=?@[]^_`{|}~"
)

# 要用以训练的文本列表
tokenizer.fit_on_texts(train_captions)

# 转为序列列表向量
train_seqs=tokenizer.texts_to_sequences((train_captions))

tokenizer.word_index[""]=0

# 如果没有指定最大长度，pad_sequences会自动计算最大长度
cap_vector=tf.keras.preprocessing.sequence.pad_sequences(
   sequences=train_seqs,
   # 后置补长
   padding="post"
)
max_length=calc_max_length(train_seqs)

拆分训练集，验证集：

img_name_train,img_name_val,cap_trian,cap_val=train_test_split(
    img_name_vector,
    cap_vector,

    # 验证数据集占20%
    test_size=0.2,
    # 确保每次数据一致
    random_state=0

# 最好是2的次幂，更适合GPU运算（加快二进制运算）
BATCH_SIZE=64
# shuffle 缓冲区大小
BUFFER_SIZE=1000
# 词嵌入维度
embedding_dim=256
units=512
vocab_size=len(tokenizer.word_index)

# 后面会将(8,8,2048)转为(64,2048)
# 维度一定要一致
feature_shape=2048
attention_features_shape=64

# 加载保存的之前feature文件
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_trian))

# num_parallel_calls 根据自己的CPU而定
dataset=dataset.map(lambda item1,item2:tf.py_func(
    map_func,[item1,item2],[tf.float32,tf.int32]
),num_parallel_calls=4)

# prefetch 可以合理利用CPU准备数据，GPU计算数据之间的空闲时间，加快数据读取
dataset=dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE).prefetch(1)

编码器模型：

# 一层使用relu的全连接层
class CNN_Encoder(tf.keras.Model):
    def __init__(self,embedding_dim):
        super(CNN_Encoder, self).__init__()

        # fc shape:(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

注意力层：
详细介绍可以查看文章开始给出的链接，这里给出计算方程式：

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):
        # 参考注意力机制计算的方程
        # feature shape:(batch_size,64,embedding_dim)
        # hidden_state shape:(batch_size,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)
        attention_weights=tf.nn.softmax(self.V(score),axis=1)
        context_vector=tf.reduce_sum(attention_weights*features,axis=1)

        return context_vector,attention_weights

解码器中的GRU：

# 相比LSTM因为减少了一个门，参数少，收敛快
def gru(units):
    if tf.test.is_gpu_available():
    
        # 使用GPU加速计算
        return tf.keras.layers.CuDNNGRU(
            units=units,
            return_state=True,
            return_sequences=True,
            
            # 循环核的初始化方法
            # glorot_uniform是sqrt(2 / (fan_in + fan_out))的正态分布产生
            # 其中fan_in和fan_out是权重张量的扇入扇出（即输入和输出单元数目）
            recurrent_initializer="glorot_uniform"
        )
    else:
        return tf.keras.layers.GRU(
            return_sequences=True,
            return_state=True,

            # 默认：hard_sigmoid <= -1 输出0，>=1 输出1 ，中间为线性
            recurrent_activation="sigmoid",
            recurrent_initializer="glorot_uniform"
        )

解码器模型：

# 使用注意力模型
class RNN_Decoder(tf.keras.Model):
    def __init__(self,embedding_dim,units,vocab_size):
        super(RNN_Decoder, self).__init__()
        self.units=units
        
        # 词嵌入将高维离散数据转为低维连续数据，并表现出数据之间的相似性（向量空间）
        self.embedding=tf.keras.layers.Embedding(input_shape=vocab_size,output_dim=embedding_dim)
        self.gru=gru(units)
        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):
        # 获取注意力模型输出
        context_vector,attention_weights=self.attention(features,hidden)

        # x shape:(batch_size,1,embedding_dim)
        x=self.embedding(x)
        
        # 注意力，当前输入合并
        # 注意力shape:(batch_size,1,hidden) x shape:(batch_size,1,embedding_size)
        # x shape:(batch_size, 1, embedding_dim + hidden_size)
        x=tf.concat([tf.expand_dims(context_vector,1),x],axis=-1)

        output,state=self.gru(x)

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

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

        # x shape:(batch_size*max_length,vocab_size)
        x=self.fc2(x)

        return x,state,attention_weights
    def reset_state(self, batch_size):
     return tf.zeros((batch_size, self.units))

实例化模型：

encoder = CNN_Encoder(embedding_dim)
decoder = RNN_Decoder(embedding_dim, units, vocab_size)

损失函数，优化器设置：

# InceptionV3模型使用的不是Adam优化器
# 各种优化器以后放到一篇多带带的文章详细介绍
optimizer=tf.train.AdamOptimizer(learning_rate=0.0001)

def loss_function(real,pred):
    mask=1-np.equal(real,0)
    
    # 带mask的交叉熵损失
    loss_=tf.nn.sparse_softmax_cross_entropy_with_logits(
        labels=real,
        logits=pred
    )*mask

    return tf.reduce_mean(loss_)

训练：

将使用InceptionV3模型提取的特征作为编码器输入

编码器输出，hidden_state，字幕文本作为解码器输入

解码器hidden_state作为下一次输入，预测值用于计算模型损失

使用标签文本作为解码器输入（teacher-forcing模式）

梯度计算及应用

loss_plot=[]

EPOCHS=20

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

    for (batch,(img_tensor,target)) in enumerate(dataset):
        loss=0

        # 每迭代一次batch后重置 hidden_state
        hidden=decoder.reset_states(batch_size=target.shape[0])
        
        # input维度是3维
        dec_input=tf.expand_dims([tokenizer.word_index[""]*BATCH_SIZE],1)
        
        # eager模式下记录梯度
        with tf.GradientTape() as tape:
            # inception模式提取的特征
            features=encoder(img_tensor)

            # 每张照片不止一个captions
            for i in range(1,target.shape[1]):
            
                # attention_weights此处暂不需要
                predictions,hidden,_=decoder(dec_input,features,hidden)
                loss+=loss_function(target[:,i],predictions)

                # teacher forcing 使用标签数据作为输入替代hidden-output
                dec_input=tf.expand_dims(target[:,i],1)
            total_loss+=(loss/int(target.shape[1]))
            
            # 总训练参数
            variables=encoder.variables+decoder.variables
            
            # 梯度计算及应用
            gradients=tape.gradient(loss,variables)
            optimizer.apply_gradients(zip(gradients,variables))

            if batch%100 == 0:
                print("epoch{},batch{},loss{:.4}".format(
                    epoch+1,
                    batch,
                    loss.numpy()/int(target.shape[1])
                ))
        loss_plot.append(total_loss/len(cap_vector))

plt.plot(loss_plot)
plt.xlabel("epochs")
plt.ylabel("loss")
plt.show()

模型预测不使用Teacher forcing模式，当遇到预设的结束标记“”时模型结束训练。

def evaluate(image):
    attention_plot = np.zeros((max_length, attention_features_shape))
    
    # 初始化hidden-state
    hidden = decoder.reset_state(batch_size=1)
    
    # shape：(1,299,299,3)
    temp_input = tf.expand_dims(load_image(image)[0], 0)
    
    # 特征提取
    img_tensor_val = image_features_extract_model(temp_input)
    
    # shape:(1,8,8,2048) reshape:(1,64,2048)
    img_tensor_val = tf.reshape(img_tensor_val, (img_tensor_val.shape[0], -1, img_tensor_val.shape[3]))
    
    # shape:(1,64,256)
    features = encoder(img_tensor_val)
    
    # 增加batchsize维度
    dec_input = tf.expand_dims([tokenizer.word_index[""]], 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()
        
        # 我们使用softmax归一化结果，使用argmax查询最大值
        # 对于分类数量大于2，softmax和sigmoid的区别是
        # 类别之间有相互关系的使用sigmoid，反之使用softmax
        predicted_id = tf.argmax(predictions[0]).numpy()
        
        # ID转字符，获取文本结果
        result.append(tokenizer.index_word[predicted_id])
        
        # 判断是否是预设的结束标记
        if tokenizer.index_word[predicted_id] == "":
            return result, attention_plot
        
        # 将预测值作为输入，预测下一个结果（teacher-forcing在这里使用数据标签作为输入）
        dec_input = tf.expand_dims([predicted_id], 0)

    attention_plot = attention_plot[:len(result), :]
    return result, attention_plot

以下用于可视化注意力机制训练过程：
此处代码主要是图像展示就不做过多介绍了。

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()
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)

Image.open(img_name_val[rid])

想要对图像生成字幕，首先需要提取图像特征，本文我们利用迁移学习使用Inception模型来提取特征，对于Inception模型，我们重点理解卷积核分解。至于文本预测部分与使用注意力机制实现机器翻译大体一致。有一点想说的是，类似这样的项目维度转换会比较多，也是很容易出错的地方，这一点需要格外留意。

本文代码内容来自 Yash Katariya在此表示感谢。