Tokenizer.word_index 不包含 "START" 或 "END"，而是包含 "start" 和 "end"

Question

我试图以与 here 类似的方式制作图像字幕模型我使用 ResNet50 而不是 VGG16，并且还必须通过 model.fit_generator() 方法使用渐进式加载。我使用了 here 的 ResNet50，当我通过设置 include_top = False 导入它时，它给了我 {'key' 形状的照片特征：[[[[value1, value2, .. .. 值 2048]]]]}，其中 "key" 是图像 ID。这是我的 captionGenerator 函数代码：-

def createCaptions(tokenizer, photoData, MaxLength, model):
    for key, feature in photoData.items():
        inSeq = "START"
        for i in range(MaxLength):
            sequence = tokenizer.texts_to_sequences([inSeq])[0]
            sequence = pad_sequences([sequence], maxlen = MaxLength)
            ID = model.predict([np.array(feature[0][0][0]), sequence])
            ID = np.argmax(ID)
            ID = word_for_id(ID)
            if ID is None:
                break
            inSeq += " " + ID
            if ID == "END":
                break
        print(inSeq)

函数 word_for_id 是：-

def word_for_id(integer, tokenizer):
    for word, index in tokenizer.word_index.items():
        if index == integer:
            return word
    return None

我通过以下方式生成了照片数据：-

features = {}
for images in os.listdir(args["image"]):
    filename = args["image"] + '/' + images
    image = load_img(filename, target_size = inputShape)
    image = img_to_array(image)
    image = np.expand_dims(image, axis = 0)
    image = preprocess(image)
    pred = resnet.predict(image)
    image_id = images.split('.')[0]
    features[image_id] = pred
    print('>{}'.format(images))

features 是我的 photoData 字典。

问题是，在我通过以下方式生成的训练数据照片描述中：-

def train_test_data(filename):
    DataFile = open(filename, 'r')
    Data = DataFile.read()
    DataFile.close()

    ImageID = []

    textDataFile = pickle.load(open('descriptions.pkl', 'rb'))

    for line in Data.split('\n'):
        if len(line) < 1:
            continue
        ImageID.append(line.split('.')[0])

    Data = {}

    for key in textDataFile:
        if key in ImageID:
            Data[key] = textDataFile[key]

    for ID in Data:
        for i in range(len(Data[ID])):
            l = Data[ID][i]
            l = "START " + " ".join(l) + " END"
            Data[ID][i] = l

    return Data

这里，我在描述的每个句子的开头和结尾分别添加了"START"和"END"。但是在 tokenizer.word_index 中， "START" 和 "END" 没有找到作为键。即：-

k = pickle.load(open('word_index.pkl', 'rb'))
print("START" in k)

结果为 False。请向我解释为什么会这样。如果我这样做：-

k = pickle.load(open('word_index.pkl', 'rb'))
print("start" in k)

答案出来了。

Answer 1

那是因为默认情况下Tokenizer在根据lower=True参数拟合时降低了单词。您可以在创建分词器时使用小写字母或传递 lower=False，documentation.

Tokenizer.word_index 不包含 "START" 或 "END"，而是包含 "start" 和 "end"

Tokenizer.word_index did not contain "START" or "END", rather contained "start" and "end"

captions

python-3.x

deep-learning

keras

tensorflow