机器学习CV代码练习（五）之图像描述-利用keras.preprocessing.text.Tokenizer进行文本预处理以及合并处理文本和图像数据作为LSTM输入

痛定思痛。 2023-01-23 10:47 132阅读 0赞

### 机器学习CV代码练习（五）之图像描述-利用keras.preprocessing.text.Tokenizer进行文本预处理以及合并处理文本和图像数据作为LSTM输入 ###

*  利用keras.preprocessing.text.Tokenizer处理text
 *  文本预处理creat\_tokenizer函数，以及合并处理文本和图像数据作为lstm模型输入函create\_input\_data函数

*  Keras的API文档：https://keras.io/api/

# 利用keras.preprocessing.text.Tokenizer处理text #

其中预处理方法包含：keras.preprocessing.text.Tokenizer

tf.keras.preprocessing.text.Tokenizer(
        num_words=None,
        filters='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n',
        lower=True,
        split=" ",
        char_level=False,
        oov_token=None,
        document_count=0,
        **kwargs
    )

参数:
    1. num_words: 需要保留的最大词数，基于词频。只有最常出现的 num_words 词会被保留。
    2. filters: 一个字符串，其中每个元素是一个将从文本中过滤掉的字符。默认值是所有标点符号，加上制表符和换行符，减去 ' 字符。
    3. lower: 布尔值。是否将文本转换为小写。
    4. split: 字符串。按该字符串切割文本。
    5. char_level: 如果为 True，则每个字符都将被视为标记。
    6. oov_token: 如果给出，它将被添加到 word_index 中，并用于在 text_to_sequence 调用期间替换词汇表外的单词。

*  简单使用：

from keras.preprocessing.text import Tokenizer
    
    tokenizer = Tokenizer()
    lines = ['this is good','that is a cat']
    tokenizer.fit_on_texts(lines)#lines为训练数据——接受一个列表
    
    results = tokenizer.texts_to_sequences(['cat is good'])#将text转换成sequence串，返回一个列表的里的一个列表
    print(results[0])#result为二维数组

# 文本预处理creat\_tokenizer函数，以及合并处理文本和图像数据作为lstm模型输入函create\_input\_data函数 #

*  lstm模型输入：  
    ![在这里插入图片描述][20210714191344406.jpg]\* 整个模型网络结构：  
    ![在这里插入图片描述][20210714191413762.jpg]

import util
    from keras.preprocessing.text import Tokenizer
    from keras.preprocessing.sequence import pad_sequences
    from keras.utils import to_categorical
    from numpy import array
    from pickle import load
    
    # tokenizer = Tokenizer()
    # lines = ['this is good','that is a cat']
    # tokenizer.fit_on_texts(lines)#lines为训练数据——接受一个列表
    #
    # results = tokenizer.texts_to_sequences(['cat is good'])#将text转换成sequence串，返回一个列表的里的一个列表
    # print(results[0])#result为二维数组
    
    
    def creat_tokenizer():
        ''' 根据训练数据集中图像名，和其对应的标题，生成一个Tokenizer :return:生成的tokenizer '''
        train_image_names = util.load_doc('Flickr_8k.trainImages.txt')#读出训练文件
        train_descriptions = util.load_clean_captions('descriptions.txt',train_image_names)#读出描述，得到字典（文件名：list）
        # print(train_descriptions['1000268201_693b08cb0e'])
        #'1000268201_693b08cb0e':
        # ['startseq A child in a pink dress is climbing up a set of stairs in an entry way . endseq',
        # 'startseq A girl going into a wooden building . endseq',
        # 'startseq A little girl climbing into a wooden playhouse . endseq',
        # 'startseq A little girl climbing the stairs to her playhouse . endseq',
        # 'startseq A little girl in a pink dress going into a wooden cabin . endseq']
        tokenizer = Tokenizer()
        lines = util.to_list(train_descriptions)#转换成python的列表
        print(lines[0])# startseq A child in a pink dress is climbing up a set of stairs in an entry way . endseq
        tokenizer.fit_on_texts(lines)  # lines为训练数据——接受一个列表
        results = tokenizer.texts_to_sequences(lines)#将text转换成sequence串，返回一个列表的里的一个列表
        print(results[0])#result为二维数组
        # [2, 1, 43, 4, 1, 88, 172, 7, 117, 53, 1, 390, 12, 397, 4, 28, 4450, 629, 3]
        return results
    
    def create_input_data(tokenizer, max_length, descriptions, photos_features, vocab_size):
        """ 从输入的图片标题list和图片特征构造LSTM的一组输入 Args: :param tokenizer: 英文单词和整数转换的工具keras.preprocessing.text.Tokenizer :param max_length: 训练数据集中最长的标题的长度 :param descriptions: dict, key 为图像的名(不带.jpg后缀), value 为list, 包含一个图像的几个不同的描述 :param photos_features: dict, key 为图像的名(不带.jpg后缀), value 为numpy array 图像的特征 :param vocab_size: 训练集中表的单词数量 :return: tuple: 第一个元素为 numpy array, 元素为图像的特征(重复几次), 它本身也是 numpy.array 第二个元素为 numpy array, 元素为图像标题的前缀（第一个元素，第一个元素+第二个元素...）, 它自身也是 numpy.array 第三个元素为 numpy array, 元素为图像标题的下一个单词(根据图像特征和标题的前缀产生) ，(是一个长度为vocab_size的one-hot编码)也为numpy.array (array([[ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.434, 0.534, 0.212, 0.98 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ], [ 0.534, 0.634, 0.712, 0.28 ]]), array([[ 0, 0, 0, 0, 0, 2], [ 0, 0, 0, 0, 2, 59], [ 0, 0, 0, 2, 59, 254], [ 0, 0, 2, 59, 254, 6], [ 0, 2, 59, 254, 6, 134], [ 0, 0, 0, 0, 0, 2], [ 0, 0, 0, 0, 2, 26], [ 0, 0, 0, 2, 26, 254], [ 0, 0, 2, 26, 254, 6], [ 0, 2, 26, 254, 6, 134], [ 0, 0, 0, 0, 0, 2], [ 0, 0, 0, 0, 2, 59], [ 0, 0, 0, 2, 59, 16], [ 0, 0, 2, 59, 16, 82], [ 0, 2, 59, 16, 82, 24], [ 0, 0, 0, 0, 0, 2], [ 0, 0, 0, 0, 2, 59], [ 0, 0, 0, 2, 59, 16], [ 0, 0, 2, 59, 16, 165], [ 0, 2, 59, 16, 165, 127], [ 2, 59, 16, 165, 127, 24]]), array([[ 0., 0., 0., ..., 0., 0., 0.], [ 0., 0., 0., ..., 0., 0., 0.], [ 0., 0., 0., ..., 0., 0., 0.], ..., [ 0., 0., 0., ..., 0., 0., 0.], [ 0., 0., 0., ..., 0., 0., 0.], [ 0., 0., 0., ..., 0., 0., 0.]])) """
        X1, X2, y = list(), list(), list()
        for key, desc_list in descriptions.items():
            for desc in desc_list:
                seq = tokenizer.texts_to_sequences([desc])[0]
                for i in range(1, len(seq)):
                    in_seq, out_seq = seq[:i], seq[i]
                    # 填充in_seq,使得其长度为max_length
                    in_seq = pad_sequences([in_seq], maxlen=max_length)[0]#多个输入截断或补齐
                    out_seq = to_categorical([out_seq], num_classes=vocab_size)[0]#整数转换为二进制类矩阵
                    X1.append(photos_features[key])
                    X2.append(in_seq)
                    y.append(out_seq)
        return array(X1), array(X2), array(y)
    
    if __name__ == "__main__":
        # creat_tokenizer()
    
        tokenizer = load(open('tokenizer.pkl', 'rb'))
        max_length = 6
        descriptions = { '1235345': ['startseq one bird on tree endseq', "startseq red bird on tree endseq"],
                        '1234546': ['startseq one boy play water endseq', "startseq one boy run across water endseq"]}
        photo_features = { '1235345': [0.434, 0.534, 0.212, 0.98],
                          '1234546': [0.534, 0.634, 0.712, 0.28]}
        vocab_size = 7378
        print(create_input_data(tokenizer, max_length, descriptions, photo_features, vocab_size))

[20210714191344406.jpg]: /images/20221004/2cd836d43e874aa8aeb9842c6d598342.png
[20210714191413762.jpg]: /images/20221004/4cf86c4151b547c48cd6ec8e61ab8b5c.png