理解attention的image to caption（图片的文字描述）

更多查看：https://github.com/B-C-WANG/AI-Storage

4.1. 理解attention的image to caption（图片的文字描述）

4.1.1. 一、一个简单模型

1. Encoder:使用预训练的CNN进行fine tuning，结束后截取出输入Image到一个
   feature map flatten成的向量或者直接得到的特征向量的输出，
   例如Height*Width*3的图片到2048*14*14的向量
2. Decoder:decoder在第一次时会输入Encoder给出的图片特征以及
   和<start>词向量一起concat过后的向量，输入到LSTM预测下一个词，
   第一次过后每次LSTM就输入上一次得到的词的embedding，
   输出下一个预测的词的向量，通过LSTM的输出然后softmax，
   得到输出词的概率，转变成词语，直到到达end标记。
   在此过程中，LSTM自己的隐藏层每次输出下一个h向量，然后下一步将上一步输出的h向量作为输入（RNN的特性）

4.1.2. 二、增加Attention

Decoder发生变化：

1. 原来LSTM每次输入上一个词的embedding，变为输入上一个词的embedding拼接上encoder给出的图片向量
2. 但是每次拼接的encoder向量都是一样的，没有意义，于是使用Attention来修改这个向量，使其在一部分中有重点
   于是Attention出现
   Attention是给encoder结果加权重的，输入encoder结果以及LSTM的decoder输出的上一个结果，输出加了权重的encoder结果
   Encoder的输入（图片），以及Decoder的输出（词的onehot）都是明确的，而Attention如何优化，如何给出Image decode过后的权重，是需要关注的

4.1.3. 详细过程：

1. 输入Image，经过预训练的CNN得到feature map，作为encoder out，这个过程可能需要先通过迁移分类任务fine tuning后面几层
2. encoder out将作为LSTM的内部权重h的初始（由于feature map是2维的，通过mean转成向量传入LSTM）
3. LSTM的输出的decoder向量，将会经过softmax到vocab的大的维度，给出每一个词的概率（dim就是词库中词的数目）
4. LSTM的输入是词向量（来自于上一个LSTM预测的词的embedding，或者初始<start>的embedding）再拼接经过attention的feature map
5. LSTM输出的decoder除了用于3中预测词，还用于给feature map加上attention，（用于LSTM的下一次显式输入）
6. 给feature map加上的attention是和feature map同样长宽的，但是只有1个通道，里面的每个值都是softmax的结果
7. 为了得到这个softmax，首先feature map的n通道通过Dense变为attention dim通道的特征，然后将这个特征与decoder向量经过Dense得到的attention dim长度向量的特征相加，最后Dense到1，然后softmax输出
8. 最终输入Image，每次输出词的softmax，经过argmax得到词，直到得到<end>