Show attend and tellへ入門する

0. 概要

XAIで説明可能なAIが語られるようになってから説明文の生成＋画像の何処に着目したかを生成してくれるHybridなShow attend and tellというものが生まれた。
今回はをこれを使ってみる。

1. Show, Attend and Tell

pytorch==1.2.0の環境で動作させる。

1.1. Installation

まずはGitからファイルを持ってくる。

$ git clone https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Image-Captioning
$ cd a-PyTorch-Tutorial-to-Image-Captioning

a-PyTorch-Tutorial-to-Image-Captioningを作業ディレクトリとする。
次に、学習で必要なファイルのダウンロードを行う。

$ mkdir coco2014
$ cd coco2014
$ aria2c -x10 -s10 -k1M http://images.cocodataset.org/zips/train2014.zip http://msvocds.blob.core.windows.net/coco2014/train2014.zip
$ aria2c -x10 http://images.cocodataset.org/zips/val2014.zip
$ aria2c -x10 http://cs.stanford.edu/people/karpathy/deepimagesent/caption_datasets.zip
$ unzip train2014.zip val2014.zip caption_datasets.zip

1.2. Convert dataset

ダウンロードしたファイルをPytorchで効率的に読み込める形式に変形する。
以下のファイルを開いてパスを設定しなおす。

create_input_files.py

from utils import create_input_files

if __name__ == '__main__':
    # Create input files (along with word map)
    create_input_files(dataset='coco',
                       karpathy_json_path='./coco2014/dataset_coco.json',
                       image_folder='./coco2014/',
                       captions_per_image=5,
                       min_word_freq=5,
                       output_folder='./coco2014/',
                       max_len=50)

次に実行。

$ python create_input_files.py

こんな感じのが表示されたら15分程待つ。

1.3. Training

これで学習環境が整った。まず以下のファイルを開いてパスを設定。

train.py

import time
import torch.backends.cudnn as cudnn
import torch.optim
import torch.utils.data
import torchvision.transforms as transforms
from torch import nn
from torch.nn.utils.rnn import pack_padded_sequence
from models import Encoder, DecoderWithAttention
from datasets import *
from utils import *
from nltk.translate.bleu_score import corpus_bleu

# Data parameters
data_folder = './coco2014/'  # folder with data files saved by create_input_files.py
data_name = 'coco_5_cap_per_img_5_min_word_freq'  # base name shared by data files

# Model parameters
emb_dim = 512  # dimension of word embeddings
attention_dim = 512  # dimension of attention linear layers
...

次に、データセットの形式に変更があるので、以下のように何カ所かソースコードを書き換える。

train.py

...
scores = pack_padded_sequence(scores, decode_lengths, batch_first=True)
# scores, _ = pack_padded_sequence(scores, decode_lengths, batch_first=True)
...
loss = criterion(scores.data, targets.data)
# loss = criterion(scores, targets)
...

これで動作するはずである。

$ python train.py

後は30分くらい学習させておく。

1.4. Inference

pytorchの互換性の問題で以下を使わないと多分上手く動かない。

$ pip uninstall scipy
$ pip install scipy==1.2.0
$ pip uninstall pillow
$ pip install pillow==6.2.1

後は、以下で実行する。

$ python caption.py  --img='<IMG_PATH>' --model='./BEST_checkpoint_coco_5_cap_per_img_5_min_word_freq.pth.tar' --word_map='/mnt/exthd1/coco2014/WORDMAP_coco_5_cap_per_img_5_min_word_freq.json' --beam_size=5

1時間ほど学習させた結果を張っておく。

Planeでしっかり飛行機を見ているのが凄い！

この後、CUBデータセットで学習させてみても上手く動いた。
また強化学習も交えてみるとかなりの精度向上が見られた。