摘要:得以进行后续工作。先给大家介绍一下我需要注意力模型的背景。经过后想要得到的是维度为的矩阵也就是每个区域的注意力权值。最后给个完整的注意力模型代码。也就是维度变成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。
@author : jasperyang
@school : BUPT
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。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/20182.html
摘要:得以进行后续工作。先给大家介绍一下我需要注意力模型的背景。经过后想要得到的是维度为的矩阵也就是每个区域的注意力权值。最后给个完整的注意力模型代码。也就是维度变成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。 @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...
摘要:深度学习推动领域发展的新引擎图拥有记忆能力最早是提出用来解决图像识别的问题的一种深度神经网络。深度学习推动领域发展的新引擎图深度神经网络最近相关的改进模型也被用于领域。 从2015年ACL会议的论文可以看出,目前NLP最流行的方法还是机器学习尤其是深度学习,所以本文会从深度神经网络的角度分析目前NLP研究的热点和未来的发展方向。我们主要关注Word Embedding、RNN/LSTM/CN...
摘要:今天,蚂蚁金服财富对话算法团队整理对比了深度学习模型在自然语言处理领域的发展历程。深度学习网络相对于浅层网络结构,有两层三层及以上隐藏层的我们就可以称为深度网络。 阿里妹导读:自然语言处理领域的殿堂标志 BERT 并非横空出世,背后有它的发展原理。今天,蚂蚁金服财富对话算法团队整理对比了深度学习模型在自然语言处理领域的发展历程。从简易的神经元到当前最复杂的BERT模型,深入浅出地介绍了...
摘要:今天,蚂蚁金服财富对话算法团队整理对比了深度学习模型在自然语言处理领域的发展历程。深度学习网络相对于浅层网络结构,有两层三层及以上隐藏层的我们就可以称为深度网络。 阿里妹导读:自然语言处理领域的殿堂标志 BERT 并非横空出世,背后有它的发展原理。今天,蚂蚁金服财富对话算法团队整理对比了深度学习模型在自然语言处理领域的发展历程。从简易的神经元到当前最复杂的BERT模型,深入浅出地介绍了...
摘要:单层年发表的文章使用了单层解决机器翻译中不同长度的源语言对齐问题。使用的基本思想是目标语言端的词往往只与源语言端部分词相关。其中计算上下文环境与源语言词语的相关得分,是根据语言特性设计的一个对齐模型,感兴趣的朋友可以深入了解一下。 1. 前言2017 年 KDD,Sigir 以及 Recsys 会议被接收的论文早已公示,本文对这些会议中 Attention Model 相关的 10 篇论文进...
阅读 1424·2021-11-15 11:38
阅读 2374·2021-10-19 11:45
阅读 2078·2021-09-30 09:56
阅读 1236·2021-09-30 09:47
阅读 489·2019-08-30 15:53
阅读 1722·2019-08-30 15:44
阅读 405·2019-08-30 12:52
阅读 986·2019-08-30 11:16