0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

如何构建一个双编码器神经网络模型

LiveVideoStack 来源:LiveVideoStack 作者:LiveVideoStack 2021-03-02 15:59 次阅读

如何构建一个双编码器(也称为双塔)神经网络模型,以使用自然语言搜索图像。

1 介绍 该示例演示了如何构建一个双编码器(也称为双塔)神经网络模型,以使用自然语言搜索图像。该模型的灵感来自于Alec Radford等人提出的CLIP方法,其思想是联合训练一个视觉编码器和一个文本编码器,将图像及其标题的表示投射到同一个嵌入空间,从而使标题嵌入位于其描述的图像的嵌入附近。 这个例子需要TensorFlow 2.4或更高版本。此外,BERT模型需要TensorFlow Hub和TensorFlow Text,AdamW优化器需要TensorFlow Addons。这些库可以使用以下命令进行安装。

pipinstall-q-U tensorflow-hubtensorflow-texttensorflow-addons

2 安装

importosimportcollectionsimportjsonimportnumpyasnpimporttensorflowastffromtensorflowimportkerasfromtensorflow.kerasimportlayersimporttensorflow_hubashubimporttensorflow_textastextimporttensorflow_addonsastfaimportmatplotlib.pyplotaspltimportmatplotlib.imageasmpimgfromtqdmimporttqdm #Suppressingtf.hubwarningstf.get_logger().setLevel("ERROR")

3 准备数据

我们使用MS-COCO数据集来训练我们的双编码器模型。MS-COCO包含超过82,000张图片,每张图片至少有5个不同的标题注释。该数据集通常用image captioning任务,但我们可以重新利用图像标题对来训练双编码器模型进行图像搜索。

下载提取数据

首先,下载数据集,它由两个压缩文件夹组成:一个是图像,另一个是相关的图像标题。值得注意的是压缩后的图像文件夹大小为13GB。

root_dir = "datasets"annotations_dir=os.path.join(root_dir,"annotations")images_dir = os.path.join(root_dir, "train2014")tfrecords_dir = os.path.join(root_dir, "tfrecords")annotation_file = os.path.join(annotations_dir, "captions_train2014.json") #Downloadcaptionannotationfilesif not os.path.exists(annotations_dir): annotation_zip = tf.keras.utils.get_file( "captions.zip", cache_dir=os.path.abspath("."), origin="https://images.cocodataset.org/annotations/annotations_trainval2014.zip", extract=True, ) os.remove(annotation_zip) # Download image filesif not os.path.exists(images_dir): image_zip = tf.keras.utils.get_file( "train2014.zip", cache_dir=os.path.abspath("."), origin="https://images.cocodataset.org/zips/train2014.zip", extract=True, ) os.remove(image_zip) print("Datasetisdownloadedandextractedsuccessfully.") with open(annotation_file, "r") as f: annotations = json.load(f)["annotations"] image_path_to_caption = collections.defaultdict(list)for element in annotations: caption = f"{element['caption'].lower().rstrip('.')}" image_path = images_dir + "/COCO_train2014_" + "%012d.jpg" % (element["image_id"]) image_path_to_caption[image_path].append(caption) image_paths = list(image_path_to_caption.keys())print(f"Number of images: {len(image_paths)}")

Downloading data from https://images.cocodataset.org/annotations/annotations_trainval2014.zip252878848/252872794 [==============================] - 5s 0us/stepDownloading data from https://images.cocodataset.org/zips/train2014.zip13510574080/13510573713 [==============================] - 394s 0us/stepDataset is downloaded and extracted successfully.Number of images: 82783

处理并将数据保存到TFRecord文件中

你可以改变sample_size参数去控制将用于训练双编码器模型的多对图像-标题。在这个例子中,我们将training_size设置为30000张图像,约占数据集的35%。我们为每张图像使用2个标题,从而产生60000个图像-标题对。训练集的大小会影响生成编码器的质量,样本越多,训练时间越长。

train_size = 30000valid_size = 5000captions_per_image = 2images_per_file = 2000train_image_paths = image_paths[:train_size]num_train_files = int(np.ceil(train_size / images_per_file))train_files_prefix = os.path.join(tfrecords_dir, "train") valid_image_paths = image_paths[-valid_size:]num_valid_files = int(np.ceil(valid_size / images_per_file))valid_files_prefix = os.path.join(tfrecords_dir, "valid") tf.io.gfile.makedirs(tfrecords_dir) def bytes_feature(value): return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value])) def create_example(image_path, caption): feature = {"caption":bytes_feature(caption.encode()), "raw_image": bytes_feature(tf.io.read_file(image_path).numpy()),} return tf.train.Example(features=tf.train.Features(feature=feature)) defwrite_tfrecords(file_name,image_paths):caption_list=[] image_path_list=[]forimage_pathinimage_paths: captions = image_path_to_caption[image_path][:captions_per_image] caption_list.extend(captions) image_path_list.extend([image_path] * len(captions)) withtf.io.TFRecordWriter(file_name)aswriter:forexample_idxinrange(len(image_path_list)): example = create_example( image_path_list[example_idx], caption_list[example_idx] ) writer.write(example.SerializeToString())returnexample_idx+1 def write_data(image_paths, num_files, files_prefix): example_counter = 0 for file_idx in tqdm(range(num_files)): file_name = files_prefix + "-%02d.tfrecord" % (file_idx) start_idx = images_per_file * file_idx end_idx = start_idx + images_per_file example_counter += write_tfrecords(file_name, image_paths[start_idx:end_idx])returnexample_counter train_example_count=write_data(train_image_paths,num_train_files,train_files_prefix)print(f"{train_example_count} training examples were written to tfrecord files.") valid_example_count = write_data(valid_image_paths, num_valid_files, valid_files_prefix)print(f"{valid_example_count}evaluationexampleswerewrittentotfrecordfiles.")

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [03:19<00:00, 13.27s/it] 0%| | 0/3 [00:00

创建用于训练和评估的 tf.data.Dataset

feature_description = { "caption": tf.io.FixedLenFeature([], tf.string), "raw_image": tf.io.FixedLenFeature([], tf.string),} def read_example(example): features = tf.io.parse_single_example(example, feature_description) raw_image = features.pop("raw_image") features["image"] = tf.image.resize( tf.image.decode_jpeg(raw_image, channels=3), size=(299, 299) ) return features def get_dataset(file_pattern, batch_size): return ( tf.data.TFRecordDataset(tf.data.Dataset.list_files(file_pattern)) .map( read_example, num_parallel_calls=tf.data.experimental.AUTOTUNE, deterministic=False, ) .shuffle(batch_size * 10) .prefetch(buffer_size=tf.data.experimental.AUTOTUNE) .batch(batch_size) ) 4 实时投影头

投影头用于将图像和文字嵌入到具有相同的维度的同一嵌入空间。

def project_embeddings( embeddings, num_projection_layers, projection_dims, dropout_rate): projected_embeddings = layers.Dense(units=projection_dims)(embeddings) for _ in range(num_projection_layers): x = tf.nn.gelu(projected_embeddings) x = layers.Dense(projection_dims)(x) x = layers.Dropout(dropout_rate)(x) x = layers.Add()([projected_embeddings, x]) projected_embeddings = layers.LayerNormalization()(x) return projected_embeddings 5 实现视觉编码器

在本例中,我们使用Keras Applications的Xception作为视觉编码器的基础。

def create_vision_encoder( num_projection_layers, projection_dims, dropout_rate, trainable=False): # Load the pre-trained Xception model to be used as the base encoder. xception = keras.applications.Xception( include_top=False, weights="imagenet", pooling="avg" ) # Set the trainability of the base encoder. for layer in xception.layers: layer.trainable = trainable # Receive the images as inputs. inputs = layers.Input(shape=(299, 299, 3), name="image_input") # Preprocess the input image. xception_input = tf.keras.applications.xception.preprocess_input(inputs) # Generate the embeddings for the images using the xception model. embeddings = xception(xception_input) # Project the embeddings produced by the model. outputs = project_embeddings( embeddings, num_projection_layers, projection_dims, dropout_rate ) # Create the vision encoder model. return keras.Model(inputs, outputs, name="vision_encoder") 6 实现文本编码器 我们使用TensorFlow Hub的BERT作为文本编码器

def create_text_encoder( num_projection_layers, projection_dims, dropout_rate, trainable=False): # Load the BERT preprocessing module. preprocess = hub.KerasLayer( "https://tfhub.dev/tensorflow/bert_en_uncased_preprocess/2", name="text_preprocessing", ) # Load the pre-trained BERT model to be used as the base encoder. bert = hub.KerasLayer( "https://tfhub.dev/tensorflow/small_bert/bert_en_uncased_L-4_H-512_A-8/1", "bert", ) # Set the trainability of the base encoder. bert.trainable = trainable # Receive the text as inputs. inputs = layers.Input(shape=(), dtype=tf.string, name="text_input") # Preprocess the text. bert_inputs = preprocess(inputs) # Generate embeddings for the preprocessed text using the BERT model. embeddings = bert(bert_inputs)["pooled_output"] # Project the embeddings produced by the model. outputs = project_embeddings( embeddings, num_projection_layers, projection_dims, dropout_rate ) # Create the text encoder model. return keras.Model(inputs, outputs, name="text_encoder")

7 实现双编码器

为了计算loss,我们计算每个 caption_i和 images_j之间的对偶点积相似度作为预测值。caption_i和image_j之间的目标相似度计算为(caption_i和caption_j之间的点积相似度)和(image_i和image_j之间的点积相似度)的平均值。然后,我们使用交叉熵来计算目标和预测之间的损失。

class DualEncoder(keras.Model): def __init__(self, text_encoder, image_encoder, temperature=1.0, **kwargs): super(DualEncoder, self).__init__(**kwargs) self.text_encoder = text_encoder self.image_encoder = image_encoder self.temperature = temperature self.loss_tracker = keras.metrics.Mean(name="loss") @property def metrics(self): return [self.loss_tracker] def call(self, features, training=False): # Place each encoder on a separate GPU (if available). # TF will fallback on available devices if there are fewer than 2 GPUs. with tf.device("/gpu:0"): # Get the embeddings for the captions. caption_embeddings = text_encoder(features["caption"], training=training) with tf.device("/gpu:1"): # Get the embeddings for the images. image_embeddings = vision_encoder(features["image"], training=training) return caption_embeddings, image_embeddings def compute_loss(self, caption_embeddings, image_embeddings): # logits[i][j] is the dot_similarity(caption_i, image_j). logits = ( tf.matmul(caption_embeddings, image_embeddings, transpose_b=True) / self.temperature ) # images_similarity[i][j] is the dot_similarity(image_i, image_j). images_similarity = tf.matmul( image_embeddings, image_embeddings, transpose_b=True ) # captions_similarity[i][j] is the dot_similarity(caption_i, caption_j). captions_similarity = tf.matmul( caption_embeddings, caption_embeddings, transpose_b=True ) # targets[i][j] = avarage dot_similarity(caption_i, caption_j) and dot_similarity(image_i, image_j). targets = keras.activations.softmax( (captions_similarity + images_similarity) / (2 * self.temperature) ) # Compute the loss for the captions using crossentropy captions_loss = keras.losses.categorical_crossentropy( y_true=targets, y_pred=logits, from_logits=True ) # Compute the loss for the images using crossentropy images_loss = keras.losses.categorical_crossentropy( y_true=tf.transpose(targets), y_pred=tf.transpose(logits), from_logits=True ) # Return the mean of the loss over the batch. return (captions_loss + images_loss) / 2 def train_step(self, features): with tf.GradientTape() as tape: # Forward pass caption_embeddings, image_embeddings = self(features, training=True) loss = self.compute_loss(caption_embeddings, image_embeddings) # Backward pass gradients = tape.gradient(loss, self.trainable_variables) self.optimizer.apply_gradients(zip(gradients, self.trainable_variables)) # Monitor loss self.loss_tracker.update_state(loss) return {"loss": self.loss_tracker.result()} def test_step(self, features): caption_embeddings, image_embeddings = self(features, training=False) loss = self.compute_loss(caption_embeddings, image_embeddings) self.loss_tracker.update_state(loss) return {"loss": self.loss_tracker.result()}

8 训练双编码模型

在这个实验中,我们冻结了文字和图像的基础编码器,只让投影头进行训练。

num_epochs = 5 # In practice, train for at least 30 epochsbatch_size=256 vision_encoder = create_vision_encoder( num_projection_layers=1, projection_dims=256, dropout_rate=0.1)text_encoder = create_text_encoder( num_projection_layers=1, projection_dims=256, dropout_rate=0.1)dual_encoder = DualEncoder(text_encoder, vision_encoder, temperature=0.05)dual_encoder.compile( optimizer=tfa.optimizers.AdamW(learning_rate=0.001, weight_decay=0.001))

值得注意的是使用 V100 GPU 加速器训练 60000 个图像标题对的模型,批量大小为 256 个,每个 epoch 需要 12 分钟左右。如果有2个GPU,则每个epoch需要8分钟左右。

print(f"Number of GPUs: {len(tf.config.list_physical_devices('GPU'))}")print(f"Number of examples (caption-image pairs): {train_example_count}")print(f"Batch size: {batch_size}")print(f"Steps per epoch: {int(np.ceil(train_example_count / batch_size))}")train_dataset = get_dataset(os.path.join(tfrecords_dir, "train-*.tfrecord"), batch_size)valid_dataset = get_dataset(os.path.join(tfrecords_dir, "valid-*.tfrecord"), batch_size)# Create a learning rate scheduler callback.reduce_lr = keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.2, patience=3)# Create an early stopping callback.early_stopping = tf.keras.callbacks.EarlyStopping( monitor="val_loss", patience=5, restore_best_weights=True)history = dual_encoder.fit( train_dataset, epochs=num_epochs, validation_data=valid_dataset, callbacks=[reduce_lr, early_stopping],)print("Training completed. Saving vision and text encoders...")vision_encoder.save("vision_encoder")text_encoder.save("text_encoder")print("Models are saved.")

Number of GPUs: 2Number of examples (caption-image pairs): 60000Batch size: 256Steps per epoch: 235Epoch 1/5235/235 [==============================] - 573s 2s/step - loss: 60.8318 - val_loss: 9.0531Epoch 2/5235/235 [==============================] - 553s 2s/step - loss: 7.8959 - val_loss: 5.2654Epoch 3/5235/235 [==============================] - 541s 2s/step - loss: 4.6644 - val_loss: 4.9260Epoch 4/5235/235 [==============================] - 538s 2s/step - loss: 4.0188 - val_loss: 4.6312Epoch 5/5235/235 [==============================] - 539s 2s/step - loss: 3.5555 - val_loss: 4.3503Training completed. Saving vision and text encoders...Models are saved. 训练损失的绘制:

plt.plot(history.history["loss"])plt.plot(history.history["val_loss"])plt.ylabel("Loss")plt.xlabel("Epoch")plt.legend(["train", "valid"], loc="upper right")plt.show()

9 使用自然语言查询搜索图像

我们可以通过以下步骤来检索对应自然语言查询的图像:

1. 将图像输入vision_encoder,生成图像的嵌入。

2. 将自然语言查询反馈给text_encoder,生成查询嵌入。

3. 计算查询嵌入与索引中的图像嵌入之间的相似度,以检索出最匹配的索引。

4. 查阅顶部匹配图片的路径,将其显示出来。

值得注意的是在训练完双编码器后,将只使用微调后的visual_encoder和text_encoder模型,而dual_encoder模型将被丢弃。

生成图像的嵌入

我们加载图像,并将其输入到vision_encoder中,以生成它们的嵌入。在大规模系统中,这一步是使用并行数据处理框架来执行的,比如Apache Spark或Apache Beam。生成图像嵌入可能需要几分钟时间。

print("Loading vision and text encoders...")vision_encoder = keras.models.load_model("vision_encoder")text_encoder = keras.models.load_model("text_encoder")print("Models are loaded.") def read_image(image_path): image_array = tf.image.decode_jpeg(tf.io.read_file(image_path), channels=3) return tf.image.resize(image_array, (299, 299)) print(f"Generating embeddings for {len(image_paths)} images...")image_embeddings = vision_encoder.predict( tf.data.Dataset.from_tensor_slices(image_paths).map(read_image).batch(batch_size), verbose=1,)print(f"Image embeddings shape: {image_embeddings.shape}.")

Loading vision and text encoders...Models are loaded.Generating embeddings for 82783 images...324/324 [==============================] - 437s 1s/stepImage embeddings shape: (82783, 256).

检索相关图像

该例子中,我们通过计算输入的查询嵌入和图像嵌入之间的点积相似度来使用精确匹配,并检索前k个匹配。然而,在实时用例中,使用ScaNN、Annoy或Faiss等框架进行近似匹配是首选,以扩展大量图像。

def find_matches(image_embeddings, queries, k=9, normalize=True): # Get the embedding for the query. query_embedding = text_encoder(tf.convert_to_tensor(queries)) # Normalize the query and the image embeddings. if normalize: image_embeddings = tf.math.l2_normalize(image_embeddings, axis=1) query_embedding = tf.math.l2_normalize(query_embedding, axis=1) # Compute the dot product between the query and the image embeddings. dot_similarity = tf.matmul(query_embedding, image_embeddings, transpose_b=True) # Retrieve top k indices. results = tf.math.top_k(dot_similarity, k).indices.numpy() # Return matching image paths. return [[image_paths[idx] for idx in indices] for indices in results] 将查询变量设置为你要搜索的图片类型。试试像 "一盘健康的食物", "一个戴着帽子的女人走在人行道上", "一只鸟坐在水边", 或 "野生动物站在田野里"。

query = "a family standing next to the ocean on a sandy beach with a surf board"matches = find_matches(image_embeddings, [query], normalize=True)[0] plt.figure(figsize=(20, 20))for i in range(9): ax = plt.subplot(3, 3, i + 1) plt.imshow(mpimg.imread(matches[i])) plt.axis("off")

评估检索质量

为了评估双编码器模型,我们使用标题作为查询。使用训练外样本图像和标题来评估检索质量,使用top k精度。如果对于一个给定的标题,其相关的图像在前k个匹配范围内被检索到,则算作一个真正的预测。

def compute_top_k_accuracy(image_paths, k=100): hits = 0 num_batches = int(np.ceil(len(image_paths) / batch_size)) for idx in tqdm(range(num_batches)): start_idx = idx * batch_size end_idx = start_idx + batch_size current_image_paths = image_paths[start_idx:end_idx] queries = [ image_path_to_caption[image_path][0] for image_path in current_image_paths ] result = find_matches(image_embeddings, queries, k) hits += sum( [ image_path in matches for (image_path, matches) in list(zip(current_image_paths, result)) ] ) return hits / len(image_paths) print("Scoring training data...")train_accuracy = compute_top_k_accuracy(train_image_paths)print(f"Train accuracy: {round(train_accuracy * 100, 3)}%") print("Scoring evaluation data...")eval_accuracy = compute_top_k_accuracy(image_paths[train_size:])print(f"Eval accuracy: {round(eval_accuracy * 100, 3)}%")

0%| | 0/118 [00:00

结束语

你可以通过增加训练样本的大小,训练更多的时期,探索其他图像和文本的基础编码器,设置基础编码器的可训练性,以及调整超参数,特别是softmax的temperature loss计算,获得更好的结果。

责任编辑:lq

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 编码器
    +关注

    关注

    45

    文章

    3641

    浏览量

    134499
  • 神经网络
    +关注

    关注

    42

    文章

    4771

    浏览量

    100754
  • 自然语言
    +关注

    关注

    1

    文章

    288

    浏览量

    13348

原文标题:双编码器的自然语言图像搜索

文章出处:【微信号:livevideostack,微信公众号:LiveVideoStack】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    如何使用Python构建LSTM神经网络模型

    构建LSTM(长短期记忆)神经网络模型涉及
    的头像 发表于 11-13 10:10 350次阅读

    UNet模型属于哪种神经网络

    分割任务而设计。U-Net模型以其独特的U形网络结构而得名,这结构结合了编码器和解码的对称设计,以实现对图像的高效分割。
    的头像 发表于 07-24 10:59 2497次阅读

    如何构建多层神经网络

    构建多层神经网络(MLP, Multi-Layer Perceptron)模型在机器学习和深度学习领域广泛使用的技术,尤其在处理分类和
    的头像 发表于 07-19 17:19 849次阅读

    如何构建三层bp神经网络模型

    能力。本文将介绍如何构建三层BP神经网络模型神经网络基础知识 2.1 神经元模型 神经元是
    的头像 发表于 07-11 10:55 493次阅读

    pytorch中有神经网络模型

    当然,PyTorch是广泛使用的深度学习框架,它提供了许多预训练的神经网络模型。 PyTorch中的神经网络
    的头像 发表于 07-11 09:59 700次阅读

    PyTorch神经网络模型构建过程

    PyTorch,作为广泛使用的开源深度学习库,提供了丰富的工具和模块,帮助开发者构建、训练和部署神经网络模型。在
    的头像 发表于 07-10 14:57 501次阅读

    神经网络预测模型构建方法

    神经网络模型作为种强大的预测工具,广泛应用于各种领域,如金融、医疗、交通等。本文将详细介绍神经网络预测模型
    的头像 发表于 07-05 17:41 659次阅读

    rnn是什么神经网络模型

    RNN(Recurrent Neural Network,循环神经网络)是种具有循环结构的神经网络模型,它能够处理序列数据,并对序列中的元素进行建模。RNN在自然语言处理、语音识别、
    的头像 发表于 07-05 09:50 609次阅读

    神经网络模型的原理、类型及应用领域

    了广泛应用。本文将详细介绍神经网络模型的原理、类型、应用领域以及存在的问题和挑战。 神经网络模型的基本原理
    的头像 发表于 07-02 11:31 1127次阅读

    基于神经网络算法的模型构建方法

    神经网络种强大的机器学习算法,广泛应用于各种领域,如图像识别、自然语言处理、语音识别等。本文详细介绍了基于神经网络算法的模型构建方法,包
    的头像 发表于 07-02 11:21 537次阅读

    建立神经网络模型的三步骤

    建立神经网络模型复杂的过程,涉及到多个步骤和细节。以下是对建立神经网络模型的三
    的头像 发表于 07-02 11:20 923次阅读

    构建神经网络模型方法有几种

    构建神经网络模型是深度学习领域的核心任务之。本文将详细介绍构建神经网络
    的头像 发表于 07-02 10:15 351次阅读

    深度神经网络模型有哪些

    模型: 多层感知(Multilayer Perceptron,MLP): 多层感知是最基本的深度神经网络模型,由多个全连接层组成。每个隐
    的头像 发表于 07-02 10:00 1392次阅读

    助听器降噪神经网络模型

    抑制任务是语音增强领域的重要学科, 随着深度神经网络的兴起,提出了几种基于深度模型的音频处理新方法[1,2,3,4]。然而,这些通常是为离线处理而开发的,不需要考虑实时性。当使用
    发表于 05-11 17:15

    编码器好坏怎么判断,编码器原理

    (Autoencoder),它是种无监督学习的神经网络模型。自动编码器由两部分组成:编码器和解码
    的头像 发表于 01-23 10:58 1895次阅读