From Recognition to Cognition: Visual Commonsense Reasoning(r2c基于Paddle复现)

一、简介

本项目基于paddle复现From Recognition to Cognition: Visual Commonsense Reasoning中所提出的r2c模型，该模型用于解决视觉常识推理（Visual Commonsense Reasoning）任务，即给模型一个图像、一些对象、一个问题，四个答案和四个原因，模型必须决定哪个答案是正确的，然后在提供四个原因选出答案的最合理解释。

下面提供一个例子进行说明：

对输入的图像、对象和问题 What is going to be happen next? ，模型需要选择答案d) 和原因d)。

论文地址：https://arxiv.org/abs/1811.10830

参考项目：https://github.com/rowanz/r2c

二、复现精度

	Q → A	QA → R	Q → AR
原论文	63.8	67.2	43.1
复现精度	64.1	67.2	43.2

三、数据集

本项目所使用的数据集为 VCR ，由来自110K个电影场景的290K个多项选择的QA问题组成。

对于问题答案和原因，提供bert预训练好的特征，可从如下地址进行下载：

• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_train.h5
• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_train.h5
• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_val.h5
• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_val.h5
• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_test.h5
• https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_test.h5

建议的数据结构为：

data/
|-- vcr1images/ 
|   |-- VERSION.txt
|   |-- movie name, like movieclips_A_Fistful_of_Dollars
|   |   |-- image files, like Sv_GcxkmW4Y@29.jpg
|   |   |-- metadata files, like Sv_GcxkmW4Y@29.json
|-- bert_feature/
|   |-- bert_da_answer_train.h5
|   |-- bert_da_rationale_train.h5
|   |-- bert_da_answer_val.h5
|   |-- bert_da_rationale_val.h5
|   |-- bert_da_answer_test.h5
|   |-- bert_da_rationale_test.h5
|-- train.jsonl
|-- val.jsonl
|-- test.jsonl
|-- README.md

可以自行修改文件地址，但是对应的要修改文件读取中文件路径。

四、环境依赖

• Python 3.7
• paddle 2.2.1
• paddlenlp

五、快速开始

在本地主机运行

训练

对于Q→ A，运行如下命令：

python train.py -floader model/saves/flagship_answer

对于QA → R，运行如下命令：

python train.py -floader model/saves/flagship_rationale -relation

测试

加载模型进行Q→ A测试，运行如下命令：

python eval.py -floader model/saves/flagship_answer

#注：这里需要保证模型的名字为best.pd（或者可以在utils/paddle_misc的restore_best_checkpointh函数中修改模型的名字）。

加载模型进行QA→ R测试，运行如下命令：

python eval.py -floader model/saves/flagship_rationale -relation

测试Q → AR效果，运行如下命令：

python eval_q2ar.py -answer_preds model/saves/flagship_answer/valpreds.npy -rationale_preds model/saves/flagship_rationale/valpreds.npy

使用预训练模型

预训练最优模型下载：

​ 链接: https://pan.baidu.com/s/1VeG64RFxoBbs1ivZUOkJ0g

​ 提取码: c4ir

将对应模型放到对应的文件目录下。

在AiStudio运行

首先解压数据集,运行如下命令：

python train.py -floader model/saves/flagship_answer

训练

对于Q→ A，运行如下命令：

unzip /home/aistudio/data/data122313/vcr1images.zip

对于QA → R，运行如下命令：

python train.py -floader model/saves/flagship_rationale -relation

测试

加载模型进行Q→ A测试，运行如下命令：

python eval.py -floader model/saves/flagship_answer

#注：这里需要保证模型的名字为best.pd（或者可以在utils/paddle_misc的restore_best_checkpointh函数中修改模型的名字）。

加载模型进行QA→ R测试，运行如下命令：

python eval.py -floader model/saves/flagship_rationale -relation

测试Q → AR效果，运行如下命令：

python eval_q2ar.py -answer_preds model/saves/flagship_answer/valpreds.npy -rationale_preds model/saves/flagship_rationale/valpreds.npy

使用预训练模型

同上下载预训练模型放到对应文件夹下，进行测试即可。

六、代码结构

|--data
|--dataloader
|   |--__init__.py
|   |--box_utils.py
|   |--mask_utils.py
|   |--vcr.py
|--model
|   |--multiatt
|   |   |--__init__.py
|   |   |--model.py
|   |   |--mask_softmax.py
|   |   |--BilinearMatrixAttention.py
|   |--saves
|   |   |--flagship_answer
|   |   |   |--best.pd
|   |   |--flagship_rationale
|   |   |   |--best.pd
|--utils
|   |--__init__.py
|   |--detector.py
|   |--paddle_misc.py
|   |--Resnet50.py
|   |--Resnet50_imagnet.py
|   |--torch_resnet50.pkl
|--train.py
|--eval_q2ar.py
|--config.py

模型训练的所有参数信息都在config.py中进行了详细的注释.