image caption笔记（二）：《Show and Tell : A Neural Image Caption Generator》

一、基本思想

      CNN+RNN  CNN用的是VGG16  RNN部分用的是LSTM.换成resnet101效果会更好。

二、模型结构

 

 

四、代码分析：
    首先是训练的部分

    （1）准备数据

     COCO数据集中的caption最长不能超过16个单词，超出的话只截取前16个。每张图保留5个caption。

     根据词频建立词汇库，一般选出现次数>5次的单词，flickr数据集一般是3次。自己建立的词汇库效果不是很好，网上有分好的data_coco.json和data_flickr.json，可以直接拿来用，效果很好。同时，里面也已经对数据集（训练集 验证集和测试集）做了划分 。

      coco  110000+5000+5000 

      flickr   28000+1000+1000

    （2）建立模型

      分为两个部分 

      1）CNN：  使用vgg16模型在Imagenet上预训练的权重。提取最后的全连接层特征。

      2)LSTM

      LSTM的输入向量、 隐含层向量都是512维。每个词汇库里的单词用embedding来表示。比如torch.nn.embedding()  它随着训练过程一起变化。

       关于训练的细节，附一张图：

       

 

每个句子的开头加了一个<bos>，结尾加了一个<eos> 都用0表示，句子长度为1+16+1  

其他单词用 在词汇库中的索引表示。

和（二）中的图对比，最初的时刻（0时刻）输入图像特征，但是并不做预测，或者说预测的结果根本不使用。从1时刻开始，输入<bos>的编码，预测下一个单词的概率，每一个时刻的输出为词汇库大小的概率向量。

 

因为预测结果包含了<eos> 所以最后的prediction长度为16+1=17

训练过程中用mask记录每个caption的长度。<eos>以及后面不到长度的部分，全部为0，前面是1,

我们希望每个单词预测出来的词汇库大小的向量，gt单词位置处的概率最大，最接近于1.对应的-logP最小。