机器学习笔记 - 使用CNN和LSTM为图像生成文字描述

一、任务描述

        看到一张图像，你的大脑可以很容易地分辨出图像是关于什么的，但是计算机能分辨出图像所代表的内容吗？随着深度学习技术的进步、庞大数据集的可用性和计算机能力，我们可以构建可以为图像生成说明的模型。

        我们将使用CNN（卷积神经网络） 和 LSTM（长期短期记忆）来实现字幕生成器。图像特征将从 Xception 中提取，Xception 是在 imagenet 数据集上训练的 CNN 模型，然后我们将特征输入 LSTM 模型，该模型将负责生成图像说明。

二、数据集说明

        这里使用 Flickr_8K 数据集。虽然还有其他大型数据集，如 Flickr_30K 和 MSCOCO 数据集，但仅训练网络可能需要几周时间，所以我们将使用小型 Flickr8k 数据集。但是庞大数据集的优势在于我们可以构建更好的模型。

        Flickr_8K 数据集为基于句子的图像描