VQA 2.0数据集的学习和使用过程

---

前言

该文章记录本人第一次对VQA 2.0数据集进行研究的全过程。

该过程中，感谢 某博主 的指点，帮了我不少。非常感激！

什么是VQA

           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

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。

---

以上内容来自 博主 的 博文 ，该博文也值得一看

---

一、下载原始数据集VQA 2.0

下载数据的链接：https://visualqa.org/download.html

数据集主要是有三部分：

（1）VQA Annotations：

    Training:4437570

    Validation:2143540

以上数据的下载链接：https://visualqa.org/download.html

（2）VQA Input Questions：

    Training:443757

    Validation:214354

    Testing:447793

（3）trainval_annotation和trainval_question：

另外，为了方便大家训练整个trainval split并生成result.json文件，以上传到vqa2.0在线评估服务器

前辈 合并了用于 train and validation splits的question和annotation json文件，

下载链接如下：

trainval_annotation.json

trainval_question.json

（4）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。

对于数据集的分析，看参考该博文

二、下载预处理后的数据

1.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

得到4种维度的词向量（例如50d文件，就是每个单词对应的50维度的向量）

后续可以根据自己的需求进行选择使用。
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。

2.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

得到6个json文件

如果想了解json文件中数据结构格式，可查看 该博文

3.下载预训练的image feature

参考链接： https://github.com/peteanderson80/bottom-up-attention#training

# 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

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。
得到的文件：

三、准备工作

所使用的代码在tool文件夹中

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

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)

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]：

2.annotation的处理（compute_softscore.py）

四、model篇

    等待更新...

五、train篇

    等待更新...

---

总结

本人初学VQA，有任何说错的地方，敬请各位伙伴指出和说明

VQA 相关github代码的使用：KaihuaTang/VQA2.0-Recent-Approachs-2018.pytorch

1. dataset的下载和路径处理
将数据集放在/data/路径下
或者更改config.py中dataset的path
并且更改config.py中output_size=36
2. 数据的预处理
preprocess_features.py
preprocess_vocab.py
3. train
命令行：python train.py --trainval
4. test
命令行：python train.py --test --resume=./logs/model.pth