深度学习现在发展十分迅猛，每天都会出现多种应用程序。而想要了解深度学习的最好方法就是亲自动手。尽可能尝试自己做项目。这将帮助你更深入地了解它们，并帮助你成为更好的深度学习实践者。

在本文中，我们将结合图像和文本处理来构建一个有用的深度学习应用程序，即图像字幕（Image Captioning）。它是指从图像生成文本描述的过程，主要根据图像中物体和物体的动作。例如：



这个应用在现实生活中有很多潜在的应用场景。要注意保存图像的文本描述，以便在稍后的阶段就可以根据此描述轻松检索。

图像字幕需要做什么？

假设你看到这张照片：



你会首先想到什么呢？也许通常人们可以想出以下几句话：

一个男人和一个女孩坐在地上吃东西。
一个男人和一个小女孩坐在人行道上，靠近一个蓝色的袋子吃东西。
一个穿着黑衬衫的男人和穿橙色连衣裙的小女孩分享一种吃的。

快速浏览一下就足以让你了解和描述图片中发生的事情。从人工系统自动生成这个文本描述就是图像字幕的任务。

任务很简单：生成的输出期望用单个句子描述图像中显示的内容，如物体的存在，它的属性，它正在进行的动作以及对象之间的交互等。但是，要在与任何其他图像处理问题一样，用人工系统复制这种行为是个极为艰巨的任务，因此我们使用复杂和先进的技术（如深度学习）来解决任务。

解决任务的方法

图像字幕的任务从逻辑上可以分为两个模块：一个是基于图像的模型，从图像中提取特征和细微差别，另一个是基于语言的模型，它将第一个模块的所给出的特征和对象转换为的自然语句。

对于我们的基于图像的模型（编码器），我们通常依赖于CNN。对于我们的基于语言的模型（解码器） - 我们依赖于RNN。如下图所示：



在通常情况下，预训练的CNN从我们的输入图像中提取特征。特征向量线性转换后，与RNN/LSTM网络的输入维数相同。这个网络被训练成特征向量的语言模型。

为了训练我们的LSTM模型，我们预定义了我们的标签和目标文本。例如，如果字幕是“A man and a girl sit on the ground and eat”，我们的标签和目标如下：



这样做是为了让我们的模型理解标签序列的开始和结束。

实现

下面我将使用Pytorch进行图像字幕的实现。我们将图像作为输入，并使用深度学习模型预测其描述。

完整代码：https://github.com/yunjey/pytorch-tutorial/tree/master/tutorials/03-advanced/image_captioning

我们使用预训练的 resnet-152 模型作为编码器，而解码器是LSTM网络。



要运行本例中给出的代码，首先要必须有一个工作的python环境，最好安装了anaconda。然后运行以下命令以安装其他需要的库。

git clone https://github.com/pdollar/coco.git



cd coco/PythonAPI/

make

python setup.py build

python setup.py install



cd ../../



git clone https://github.com/yunjey/pytorch-tutorial.git

cd pytorch-tutorial/tutorials/03-advanced/image_captioning/



pip install -r requirements.txt

设置完系统后，应下载训练模型所需的数据集。这里我们将使用MS-COCO数据集。要自动下载数据集，可以运行以下命令：

chmod + x download.sh

./download.sh

现在你可以继续构建你的模型了。首先，你必须处理输入：

# Search for all the possible words in the dataset and 

# build a vocabulary list

python build_vocab.py   



# resize all the images to bring them to shape 224x224

python resize.py

现在你可以运行以下命令开始训练模型：

python train.py --num_epochs 10 --learning_rate 0.01

只要查看并查看我们怎样在背后定义我们的模型，可以参考model.py文件中编写的代码 。

import torch

import torch.nn as nn

import torchvision.models as models

from torch.nn.utils.rnn import pack_padded_sequence

from torch.autograd import Variable



class EncoderCNN(nn.Module):

    def __init__(self, embed_size):

        """Load the pretrained ResNet-152 and replace top fc layer."""

        super(EncoderCNN, self).__init__()

        resnet = models.resnet152(pretrained=True)

        modules = list(resnet.children())[:-1]      # delete the last fc layer.

        self.resnet = nn.Sequential(*modules)

        self.linear = nn.Linear(resnet.fc.in_features, embed_size)

        self.bn = nn.BatchNorm1d(embed_size, momentum=0.01)

        self.init_weights()

        

    def init_weights(self):

        """Initialize the weights."""

        self.linear.weight.data.normal_(0.0, 0.02)

        self.linear.bias.data.fill_(0)

        

    def forward(self, images):

        """Extract the image feature vectors."""

        features = self.resnet(images)

        features = Variable(features.data)

        features = features.view(features.size(0), -1)

        features = self.bn(self.linear(features))

        return features

    

    

class DecoderRNN(nn.Module):

    def __init__(self, embed_size, hidden_size, vocab_size, num_layers):

        """Set the hyper-parameters and build the layers."""

        super(DecoderRNN, self).__init__()

        self.embed = nn.Embedding(vocab_size, embed_size)

        self.lstm = nn.LSTM(embed_size, hidden_size, num_layers, batch_first=True)

        self.linear = nn.Linear(hidden_size, vocab_size)

        self.init_weights()

    

    def init_weights(self):

        """Initialize weights."""

        self.embed.weight.data.uniform_(-0.1, 0.1)

        self.linear.weight.data.uniform_(-0.1, 0.1)

        self.linear.bias.data.fill_(0)

        

    def forward(self, features, captions, lengths):

        """Decode image feature vectors and generates captions."""

        embeddings = self.embed(captions)

        embeddings = torch.cat((features.unsqueeze(1), embeddings), 1)

        packed = pack_padded_sequence(embeddings, lengths, batch_first=True) 

        hiddens, _ = self.lstm(packed)

        outputs = self.linear(hiddens[0])

        return outputs

    

    def sample(self, features, states=None):

        """Samples captions for given image features (Greedy search)."""

        sampled_ids = []

        inputs = features.unsqueeze(1)

        for i in range(20):                                    # maximum sampling length

            hiddens, states = self.lstm(inputs, states)        # (batch_size, 1, hidden_size), 

            outputs = self.linear(hiddens.squeeze(1))          # (batch_size, vocab_size)

            predicted = outputs.max(1)[1]

            sampled_ids.append(predicted)

            inputs = self.embed(predicted)

            inputs = inputs.unsqueeze(1)                       # (batch_size, 1, embed_size)

        sampled_ids = torch.cat(sampled_ids, 1)                # (batch_size, 20)

        return sampled_ids.squeeze()

现在我们可以使用以下命令进行测试：

python sample.py --image = ' png / example.png '

对于我们的示例图像，我们的模型给了我们这个输出：

a group of giraffes standing in a grassy area .

我们上面看到的模型只是冰山一角。目前，图像字幕中最先进的模型是微软的CaptionBot。你可以在他们的官方网站上查看系统的演示（链接：www.captionbot.ai）。