pytorch入门与实践学习笔记：chapter10 神经网络看图讲故事

深度学习进行图像描述

Image Inception：图像描述，从给定的图像直观地生成一段描述文字；

 图像描述简介

该工作起源于2014年百度研究院发表的

Explain images with multimodal recurrent neural networks 将深度卷积神经网络和深度循环网络结合

Show and tell: A neural image caption generator

常用数据集：

1. MS COCO，使用的是英语语料库 
2. 2017年9月-12月的AI Challenger比赛中的“图像中文描述”，AI challenger.

数据集2介绍

200k张图像

以captain_train_annotation——20170902.json的格式保存每张图像的描述：

• ural：图像的下载地址
• image_id：图像的名称
• captain：图像对应的五句中文描述

描述具有的特点：

• 每局的描述长短不一；
• 描述不涉及太多额外的知识，尽可能的客观；
• 尽可能点明图像的人物以及人物之间的关系。

对中文的处理分成：

• 中文分词

英语采用空格区分单词，汉语则采用分词软件，最有效的是结巴分词 结巴分词，安装采用 pip install jieba 

import jieba 
seg_list = jieba.cut("他正在学习深度学习知识", cut_all=False)
print(u"分词结果：" + "/ ".join(seg_list))

output:
他/ 正在/ 学习/ 深度/ 学习/ 知识

结巴分词利用自身的词典进行分词，可自建词典。

• 将词用序号表示，并过滤低频词汇（统计词汇频次，删除频次较低的词汇）；
• 将所有描述补齐到等成长pad_sequence；
• 利用pack_padded_sequence进行计算加速

函数pack_padded_sequence专门对经过pad操作后的序列进行pack，因经过pad后的序列存在很多空白的填充值，使得RNN计算变得复杂，浪费计算资源。

packedsequence知道输入数据中哪些是pad的值，不会计算pad的数据输出，从而节省计算资源。具体方法：

• 对不同长度的句子，按长度进行排序并记录句子的长短；
• 对不同的句子，统一pad成一样的长度；
• 将上一步得到的variable和样本的长度输入pack_padded_sequence，输出packedsequence对象，将这个对象输入到module中。
• packedsequence可以通过pad_packed_sequence方法提出variable和length。

import torch as t 
from torch.nn.utils.rnn import pack_padded_sequence, pad_packed_sequence
from torch import nn

sen1 = [1,1,1]
sen2 = [2,2,2,2]
sen3 = [3,3,3,3,3]
sen4 = [4,4,4,4,4,4]

sentences = [sen1, sen2, sen3, sen4]
sentences = sorted(sentences, key=lambda x:len(x),reverse=True)
lenghths = [ 5 if len(sen)>5 else len(sen) for sen in sentences ]
 
def pad_sen(sen, lenth=5, padded_num=0):

	origin_len = len(sen)
	padded_sen = sen[:length]
	padded_sen = padded_sen + [padded_num for _ in range(origin_len,length)]

	return padded_sen

pad_sentences = [pad_sen(sen) for sen in sentences]
pad_tensor = t.tensor(pad_sentences)
pad_variable = t.autograd.Variable(pad_tensor)
embedding = nn.Embedding(5,2)
pad_embeddings = embedding(pad_variable)

packed_variable = pack_padded_sequence(pad_embeddings,lenghths)
rnn = t.nn.LSTM(2,3)
output,hn = rnn(packed_variable)

进行数据预处理

#coding:utf8
import torch as t
import numpy as np
import json
import jieba
import tqdm


class Config:
    annotation_file   = 'caption_train_annotations_20170902.json'
    unknown = '</UNKNOWN>'
    end='</EOS>'
    padding='</PAD>'
    max_words=10000
    min_appear=2
    save_path='caption.pth'

# START='</START>'
# MAX_LENS = 25,

def process(**kwargs):
    opt = Config()
    for k,v in kwargs.items():
        setattr(opt,k,v)
    
    with open(opt.annotation_file) as f:
        data = json.load(f)
    
    # 8f00f3d0f1008e085ab660e70dffced16a8259f6.jpg -> 0
    id2ix = {item['image_id']:ix for ix,item in enumerate(data) }
    # 0-> 8f00f3d0f1008e085ab660e70dffced16a8259f6.jpg
    ix2id = {ix:id for id,ix in (id2ix.items())}
    assert id2ix[ix2id[10]] == 10

    captions = [item['caption'] for item in data]
    # 分词结果
    cut_captions = [ [list(jieba.cut(ii,cut_all=False)) for ii in item ] for item in tqdm.tqdm(captions) ]

   
    word_nums = {}  # '快乐'-> 10000 (次)
    def update(word_nums):
        def fun(word):
            word_nums[word] = word_nums.get(word,0)+1
            return None
        return fun
    lambda_ = update(word_nums)
    _ =  {lambda_(word) for sentences in cut_captions for sentence in sentences for  word  in sentence}

    vocabs = list(word_nums.keys())
    # [ (10000,u'快乐')，(9999,u'开心') ...]
    word_nums_list = sorted([(num,word) for word,num in word_nums.items() ],reverse=True)

    #### 以上的操作是无损，可逆的操作###############################
    #**********以下会删除一些信息******************

    #1. 丢弃词频不够的词
    #2. ~~丢弃长度过长的词~~ 

    words = [word[1] for word in  word_nums_list[:opt.max_words] if word[0]>=opt.min_appear]
    words =  [opt.unknown,opt.padding,opt.end] + words
    word2ix = {word:ix for ix,word in enumerate(words)}
    ix2word = {ix:word for word,ix in word2ix.items()}
    assert word2ix[ix2word[123]] == 123

    ix_captions =[ [  [ word2ix.get(word,word2ix.get(opt.unknown)) for word in sentence] 
                        for sentence in item]
                        for item in cut_captions]
    readme=u'''
    word：词
    ix:index
    id:图片名
    caption: 分词之后的描述，通过ix2word可以获得原始中文词
    '''
    results = {
        'caption':ix_captions,
        'word2ix':word2ix,
        'ix2word':ix2word,
        'ix2id':ix2id,
        'id2ix':id2ix,
        'padding':'</PAD>',
        'end':'</EOS>',
        'readme':readme
    }
    t.save(results,opt.save_path)
    print('save file in %s' %opt.save_path)

    def test(ix,ix2=4):
        results =  t.load(opt.save_path)
        ix2word = results['ix2word']
        examples = results['caption'][ix][4]
        sentences_p = (''.join([ix2word[ii] for ii in examples]) )
        sentences_r = data[ix]['caption'][ix2]
        assert sentences_p == sentences_r,'test failed'
        

    test(1000)
    print('test success')

if __name__ == '__main__':
    import fire
    fire.Fire()
    # python data_preprocess.py process --annotation-file=/data/annotation.json --max-words=5000