VQA任务学习记录1(附数据使用代码记录)

0、前言

        最近需要学习处理VQA任务特此记录，这个主要是对论文bottom-up and top-down()和bilinear attention network()中的代码部分的学习记录，目前也并不是很熟悉，如有记录错误的地方还请给位大佬即使指正。

1、VQA2.0数据集介绍

        VQA2.0数据集的下载地址：VQA: Visual Question Answering (visualqa.org)

        详细的可以看这位博主：VQA_v2数据集预处理_呆呆_kk的博客-CSDN博客_vqa数据集 

数据集主要是有三部分：

（1）VQA Annotations：

        Training:4437570

        Validation:2143540

（2）VQA Input Questions：

        Training:443757

        Validation:214354

        Testing:447793

（3）VQA Input Images：

        Training:82783

        Validation:40504

        Testing:81434

        也就是说，每张图片会有5个左右的问题，每个问题会有10个左右的回答。

2、VQA任务简单介绍

        以bottom-up and top-down这篇论文为例：

        VQA任务就是给定一张图片和一个问题，模型要根据给定的输入来进行回答。

        很明显，VQA任务的输入有两个（image和question），对于如何提取image的feature，这里就不在赘述， 可以使用CNN提取特征的方式，CNN可以选择Resnet、VGG等骨干网络(去除pooling和fc层）。

        对于如何提取question的特征，一般的做法是，由于question本身是文字，需要转换为对应的向量形式，因为模型是不认识文字的，所以要先将每个词转换为与之对应的向量，简单的做法是使用one-hot编码，当然这里你首先是需要建立一个词典（包含你任务中所有可能出现的单词）one-hot编码呢例如()：

        初始有一个词典：['a','is','he','boy','she','dog','school','man','woman','king','queen']

        那出现的单词可以用one-hot编码来表示这个单词，如'he'->[0，0，1，0，0，0，0，0，0，0，0]，很明显的缺点就是当dictionary很大时，one-hot编码会特别稀疏，这时候一般使用其它的编码方式，比如说你可以使用预训练的glove向量，这个我们之后放在预处理中再阐述，至于如何建立词典我们也会在预训练中阐述。

        当我们将单词转换为对应的向量后，此时我们要整句话对应的向量送往RNN中来提取对应的文本特征，RNN我们一般是会选择LSTM或者GRU（需要讲解LSTM和GRU的我们可以下次再说）。

        得到image和question的feature后，就可以通过模型去训练，训练的方式可以使用多标签分类的形式，所以它的损失也就是一个多标签损失，也就可以使用交叉熵损失。

3、VQA2.0数据预处理

        数据预处理部分我们主要是针对bottom-up and top-down和bilinear attention network代码中的数据预处理部分来说明。

        贴出相关代码的地址：

        Bottom-up：GitHub - hengyuan-hu/bottom-up-attention-vqa: An efficient PyTorch implementation of the winning entry of the 2017 VQA Challenge.

        BAN：GitHub - jnhwkim/ban-vqa: Bilinear attention networks for visual question answering

（0）需要提前准备的文件

        download.sh文件中下载并解压到对应位置，在此工作之前，请先准备足够大的存储空间。

a、下载预训练的glove词向量

wget -P data http://nlp.stanford.edu/data/glove.6B.zip
unzip data/glove.6B.zip -d data/glove
rm data/glove.6B.zip

 解压后会得到4种维度的词向量，可以根据自己的选择来使用：

 简单看一下50维的词向量，可以看到每个单词对应一个50维度的向量：

to 0.68047 -0.039263 0.30186 -0.17792 0.42962 0.032246 -0.41376 0.13228 -0.29847 -0.085253 0.17118 0.22419 -0.10046 -0.43653 0.33418 0.67846 0.057204 -0.34448 -0.42785 -0.43275 0.55963 0.10032 0.18677 -0.26854 0.037334 -2.0932 0.22171 -0.39868 0.20912 -0.55725 3.8826 0.47466 -0.95658 -0.37788 0.20869 -0.32752 0.12751 0.088359 0.16351 -0.21634 -0.094375 0.018324 0.21048 -0.03088 -0.19722 0.082279 -0.09434 -0.073297 -0.064699 -0.26044
and 0.26818 0.14346 -0.27877 0.016257 0.11384 0.69923 -0.51332 -0.47368 -0.33075 -0.13834 0.2702 0.30938 -0.45012 -0.4127 -0.09932 0.038085 0.029749 0.10076 -0.25058 -0.51818 0.34558 0.44922 0.48791 -0.080866 -0.10121 -1.3777 -0.10866 -0.23201 0.012839 -0.46508 3.8463 0.31362 0.13643 -0.52244 0.3302 0.33707 -0.35601 0.32431 0.12041 0.3512 -0.069043 0.36885 0.25168 -0.24517 0.25381 0.1367 -0.31178 -0.6321 -0.25028 -0.38097

        作用：对于先将自己任务中所有可能出现的单词，通过词向量转换为对应的向量，方便之后送往RNN中提取文本特征，因为你不可能直接将单词送往RNN中，注：可以自己训练出词向量，如果不使用别人预训练好的词向量的话。

b、下载annotation和question

# Questions
wget -P data https://s3.amazonaws.com/cvmlp/vqa/mscoco/vqa/v2_Questions_Train_mscoco.zip
unzip data/v2_Questions_Train_mscoco.zip -d data
rm data/v2_Questions_Train_mscoco.zip

wget -P data https://s3.amazonaws.com/cvmlp/vqa/mscoco/vqa/v2_Questions_Val_mscoco.zip
unzip data/v2_Questions_Val_mscoco.zip -d data
rm data/v2_Questions_Val_mscoco.zip

wget -P data https://s3.amazonaws.com/cvmlp/vqa/mscoco/vqa/v2_Questions_Test_mscoco.zip
unzip data/v2_Questions_Test_mscoco.zip -d data
rm data/v2_Questions_Test_mscoco.zip

# Annotations
wget -P data https://s3.amazonaws.com/cvmlp/vqa/mscoco/vqa/v2_Annotations_Train_mscoco.zip
unzip data/v2_Annotations_Train_mscoco.zip -d data
rm data/v2_Annotations_Train_mscoco.zip

wget -P data https://s3.amazonaws.com/cvmlp/vqa/mscoco/vqa/v2_Annotations_Val_mscoco.zip
unzip data/v2_Annotations_Val_mscoco.zip -d data
rm data/v2_Annotations_Val_mscoco.zip

解压后会得到对应的json文件：

其中question的数据结构格式如下：

{
"info" : info,
"task_type" : str,
"data_type": str,
"data_subtype": str,
"questions" : [question],
"license" : license
}
--------------------------取出所关注的question部分
question{
"question_id" : int,
"image_id" : int,
"question" : str
}

annotation的数据格式如下：

{
"info" : info,
"data_type": str,
"data_subtype": str,
"annotations" : [annotation],
"license" : license
}
------------------------取出所关注的annotation部分
annotation{
"question_id" : int,
"image_id" : int,
"question_type" : str,
"answer_type" : str,
"answers" : [answer],
"multiple_choice_answer" : str
}
----------------------具体的answer部分
answer{
"answer_id" : int,
"answer" : str,
"answer_confidence": str
}

c、下载预训练的image feature

        这里直接使用的是预训练的feature，就不再需要自己将image送往CNN中来提取特征，预训练是使用Resnet101为骨干网络，使用faster-RCNN的方式在genome上进行预训练提取的特征。

# Image Features    # resnet101_faster_rcnn_genome
wget -P data https://imagecaption.blob.core.windows.net/imagecaption/trainval.zip
wget -P data https://imagecaption.blob.core.windows.net/imagecaption/test2014.zip
wget -P data https://imagecaption.blob.core.windows.net/imagecaption/test2015.zip
unzip data/trainval.zip -d data
unzip data/test2014.zip -d data
unzip data/test2015.zip -d data
rm data/trainval.zip
rm data/test2014.zip
rm data/test2015.zip

解压后：

        在所有的question、annotation和image feature准备好了之后，下面开始为训练做一些准备工作：

（1）建立字典和使用预训练的glove向量(create_dictionary.py)

       我们首先要建立一个字典，字典包含所有出现的单词，并将其转换为对应的glove词向量，通过加载question文件，取出所关注的“question”部分，再取出“question(str)”（这里有点绕，仔细看question的数据结构就可以理解，就是一层一层的去取我们所需要的部分），就获得了所有的问题，有了所有的问题，就可以取出其中的单词，然后将大写转小写等等操作，再去掉重复的单词，就得到了该任务所有可能出现的单词。

    dataroot = '../data' if args.task == 'vqa' else 'data/flickr30k'
    dictionary_path = os.path.join(dataroot, 'dictionary.pkl')
    d = create_dictionary(dataroot, args.task)      # data,vqa      # 
    d.dump_to_file(dictionary_path)     # 字典，包含所有单词
    d = Dictionary.load_from_file(dictionary_path)

       这样会创建一个词典，同时可以通过词典来进行查找“单词到索引(word2idx)”和“索引到单词(idx2word)”：

    print(d.idx2word)           # 所有单词  ['what', 'is', 'this',..., 'pegasus', 'bebe']
    print(len(d.idx2word))      # 共有19901个单词
    print(d.word2idx)               # {'what': 0, 'is': 1, 'this': 2,...,'pegasus': 19899, 'bebe': 19900}

        光得到词典还不行，我们最终需要丢进模型中训练的一定是tensor或者说是向量形式的，文字肯定是不行的，所以需要转换为对应的词向量，其实就是为了进行word embedding做准备：

    # 使用glove
    glove_file = '../data/glove/glove.6B.%dd.txt' % emb_dim        # 加载预训练好的data/glove/glove.6B.300d.txt
    weights, word2emb = create_glove_embedding_init(d.idx2word, glove_file)
    np.save(os.path.join(dataroot, 'glove6b_init_%dd.npy' % emb_dim), weights)

        其中weights就是我们最后得到的预训练好的词典向量，我们有19901个单词，每个单词转换为300维的向量，所以weights.shape为[19901,300]：

print(weights, weights.shape)       # [19901,300]，从glove中加载出每个词对应的向量

         将字典和weights进行保存：

 （2）annotation的处理（compute_softscore.py）

       由于考试原因暂时先写到这，准备这段时间慢慢将第三部分写完， 等待更新...

4、model篇

        等待更新...

5、train篇

        等待更新...

说明：个人比较懒，有些可能懒得打字，如果没有说清楚或者有说错的地方请及时指出，共同学习！

参考文献：