caption重要性 image_深度解析注意力模型(attention model) --- image_caption的应用

@author : jasperyang

@school : BUPT

前言

这里学习的注意力模型是我在研究image caption过程中的出来的经验总结，其实这个注意力模型理解起来并不难，但是国内的博文写的都很不详细或说很不明确，我在看了 attention-mechanism后才完全明白。得以进行后续工作。

这里的注意力模型是论文 Show,Attend and Tell:Neural Image Caption Generation with Visual Attention里设计的，但是注意力模型在大体上来讲都是相通的。

先给大家介绍一下我需要注意力模型的背景。

I是图片信息矩阵也就是[224,224,3]，通过前面的cnn也就是所谓的sequence-sequence模型中的encoder，我用的是vgg19，得到a，这里的a其实是[14*14,512]=[196,512]，很形象吧，代表的是图片被分成了这么多个区域，后面就看我们单词注意在哪个区域了，大家可以先这么泛泛理解。通过了本文要讲的Attention之后得到z。这个z是一个区域概率，也就是当前的单词在哪个图像区域的概率最大。然后z组合单词的embedding去训练。

好了，先这么大概理解一下这张图就好。下面我们来详细解剖attention，附有代码~

attention的内部结构是什么？

这里的c其实一个隐含输入，计算方式如下

首先我们这么个函数：

def _get_initial_lstm(self, features):

with tf.variable_scope('initial_lstm'):

features_mean = tf.reduce_mean(features, 1)

w_h = tf.get_variable('w_h', [self.D, self.H], initializer=self.weight_initializer)

b_h = tf.get_variable('b_h', [self.H], initializer=self.const_initializer)

h = tf.nn.tanh(tf.matmul(features_mean, w_h) + b_h)

w_c = tf.get_variable('w_c', [self.D, self.H], initializer=self.weight_initializer)

b_c = tf.get_variable('b_c', [self.H], initializer=self.const_initializer)

c = tf.nn.tanh(tf.matmul(features_mean, w_c) + b_c)

return c, h

上面的c你可以暂时不用管，是lstm中的memory state，输入feature就是通过cnn跑出来的a,我们暂时考虑batch=1,就认为这个a是一张图片生成的。所以a的维度是[1，196,512]

y向量代表的就是feature。

下面我们打开这个黑盒子来看看里面到底是在做什么处理。

上图中可以看到

这里的tanh不能替换成ReLU函数，一旦替换成ReLU函数，因为有很多负值就会消失，会很影响后面的结果，会造成最后Inference句子时，不管你输入什么图片矩阵的到的句子都是一样的。不能随便用激活函数！！！ReLU是能解决梯度消散问题，但是在这里我们需要负值信息，所以只能用tanh

c和y在输入到tanh之前要做个全连接，代码如下。

w = tf.get_variable('w', [self.H, self.D], initializer=self.weight_initializer)

b = tf.get_variable('b', [self.D], initializer=self.const_initializer)

w_att = tf.get_variable('w_att', [self.D, 1], initializer=self.weight_initializer)

h_att = tf.nn.relu(features_proj + tf.expand_dims(tf.matmul(h, w), 1) + b) # (N, L, D)

这里的features_proj是feature已经做了全连接后的矩阵。并且在上面计算h_att中你可以看到一个矩阵的传播机制，也就是relu函数里的加法。features_proj和后面的那个维度是不一样的。

def _project_features(self, features):

with tf.variable_scope('project_features'):

w = tf.get_variable('w', [self.D, self.D], initializer=self.weight_initializer)

features_flat = tf.reshape(features, [-1, self.D])

features_proj = tf.matmul(features_flat, w)

features_proj = tf.reshape(features_proj, [-1, self.L, self.D])

return features_proj

然后要做softmax了，这里有个点，因为上面得到的m的维度是[1,196,512],1是代表batch数量。经过softmax后想要得到的是维度为[1,196]的矩阵也就是每个区域的注意力权值。所以

out_att = tf.reshape(tf.matmul(tf.reshape(h_att, [-1, self.D]), w_att), [-1, self.L]) # (N, L)

alpha = tf.nn.softmax(out_att)

最后计算s就是一个相乘。

context = tf.reduce_sum(features * tf.expand_dims(alpha, 2), 1, name='context') #(N, D)

这里也是有个传播的机制，features维度[1,196,512]，后面那个维度[1,196,1]。

最后给个完整的注意力模型代码。

def _attention_layer(self, features, features_proj, h, reuse=False):

with tf.variable_scope('attention_layer', reuse=reuse):

w = tf.get_variable('w', [self.H, self.D], initializer=self.weight_initializer)

b = tf.get_variable('b', [self.D], initializer=self.const_initializer)

w_att = tf.get_variable('w_att', [self.D, 1], initializer=self.weight_initializer)

h_att = tf.nn.relu(features_proj + tf.expand_dims(tf.matmul(h, w), 1) + b) # (N, L, D)

out_att = tf.reshape(tf.matmul(tf.reshape(h_att, [-1, self.D]), w_att), [-1, self.L]) # (N, L)

alpha = tf.nn.softmax(out_att)

context = tf.reduce_sum(features * tf.expand_dims(alpha, 2), 1, name='context') #(N, D)

return context, alpha

如果大家想研究整个完整的show-attend-tell模型，可以去看看github链接

以上我们讲的是soft_attention，还有一个hard_attention。hard_attention比较不适合于反向传播，其原理是取代了我们之前将softmax后的所有结果相加，使用采样其中一个作为z。反向传播的梯度就不好算了，这里用蒙特卡洛采样方式。

ok，回到我们的image_caption中，看下图

这个图其实不太准确，每一个z其实还会用tf.concat连接上当前这个lstm_cell的单词embedding输入。也就是维度变成[512]+[512]=[1024]

这样就可以结合当前单词和图像区域的关系了，我觉得注意力模型还是很巧妙的。