通过

通过快速、条件性、k-最近的邻域探索文化和介质的艺术

  • 项目

本文作为通过 k-最近的邻域进行匹配查找的指南。 你设置了代码，允许查询来自纽约大都会艺术博物馆和阿姆斯特丹国立博物馆中艺术的文化和介质。

先决条件

  • 将笔记本附加到湖屋。 在左侧，选择“添加”以添加现有湖屋或创建湖屋。

BallTree 概述

KNN 模型背后的结构是 BallTree，它是递归二叉树，其中每个节点（或“球”）包含要查询的数据点的分区。 构建 BallTree 需要将数据点分配给其中心最接近（相对于特定指定特征）的“球”，从而形成一个结构，允许二叉树状遍历，并有助于在 BallTree 叶中查找 k-最近的邻域。

安装

导入必要的 Python 库并准备数据集。

from synapse.ml.core.platform import *

if running_on_binder():
    from IPython import get_ipython

from pyspark.sql.types import BooleanType
from pyspark.sql.types import *
from pyspark.ml.feature import Normalizer
from pyspark.sql.functions import lit, array, array_contains, udf, col, struct
from synapse.ml.nn import ConditionalKNN, ConditionalKNNModel
from PIL import Image
from io import BytesIO

import requests
import numpy as np
import matplotlib.pyplot as plt
from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

我们的数据集来自一个表，其中包含来自 Met 和 Rijks 博物馆的艺术品信息。 架构如下所示：

  • id：艺术品的唯一标识符
    • 示例 Met ID：388395
    • 示例 Rijks ID：SK-A-2344
  • 标题：写入博物馆数据库的艺术作品标题
  • 艺术家：写入博物馆数据库的艺术作品的艺术家
  • Thumbnail_Url：艺术作品 JPEG 缩略图的位置
  • Image_Url Met/Rijks 网站上托管的艺术作品图像的位置
  • Culture：艺术作品所属的文化类别
    • 示例文化类别： 拉美文化、埃及文化等
  • Classification：艺术作品所属的介质类别
    • 示例介质类别：木制品、印刷品等
  • Museum_Page：Met/Rijks 网站上的艺术作品链接
  • Norm_Features：艺术作品图像的嵌入特征
  • 博物馆：指定作品源自哪个博物馆
# loads the dataset and the two trained CKNN models for querying by medium and culture
df = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/met_and_rijks.parquet"
)
display(df.drop("Norm_Features"))

定义要查询的类别

使用两个 KNN 模型：一个用于文化，一个用于介质。

# mediums = ['prints', 'drawings', 'ceramics', 'textiles', 'paintings', "musical instruments","glass", 'accessories', 'photographs',  "metalwork",
#           "sculptures", "weapons", "stone", "precious", "paper", "woodwork", "leatherwork", "uncategorized"]

mediums = ["paintings", "glass", "ceramics"]

# cultures = ['african (general)', 'american', 'ancient american', 'ancient asian', 'ancient european', 'ancient middle-eastern', 'asian (general)',
#            'austrian', 'belgian', 'british', 'chinese', 'czech', 'dutch', 'egyptian']#, 'european (general)', 'french', 'german', 'greek',
#            'iranian', 'italian', 'japanese', 'latin american', 'middle eastern', 'roman', 'russian', 'south asian', 'southeast asian',
#            'spanish', 'swiss', 'various']

cultures = ["japanese", "american", "african (general)"]

# Uncomment the above for more robust and large scale searches!

classes = cultures + mediums

medium_set = set(mediums)
culture_set = set(cultures)
selected_ids = {"AK-RBK-17525-2", "AK-MAK-1204", "AK-RAK-2015-2-9"}

small_df = df.where(
    udf(
        lambda medium, culture, id_val: (medium in medium_set)
        or (culture in culture_set)
        or (id_val in selected_ids),
        BooleanType(),
    )("Classification", "Culture", "id")
)

small_df.count()

定义和适应 ConditionalKNN 模型

为介质列和文化列创建 ConditionalKNN 模型；每个模型采用输出列、特征列（特征向量） 、值列（输出列下的单元格值）、标签列（相应 KNN 以之为条件的质量）。

medium_cknn = (
    ConditionalKNN()
    .setOutputCol("Matches")
    .setFeaturesCol("Norm_Features")
    .setValuesCol("Thumbnail_Url")
    .setLabelCol("Classification")
    .fit(small_df)
)

culture_cknn = (
    ConditionalKNN()
    .setOutputCol("Matches")
    .setFeaturesCol("Norm_Features")
    .setValuesCol("Thumbnail_Url")
    .setLabelCol("Culture")
    .fit(small_df)
)

定义匹配和可视化方法

在初始数据集和类别设置后，准备用于查询和可视化条件 KNN 结果的方法。

addMatches() 创建一个数据帧，其中包含每个类别的少量匹配项。

def add_matches(classes, cknn, df):
    results = df
    for label in classes:
        results = cknn.transform(
            results.withColumn("conditioner", array(lit(label)))
        ).withColumnRenamed("Matches", "Matches_{}".format(label))
    return results

plot_urls() 调用 plot_img 以将每个类别的最高匹配项呈现到网格中。

def plot_img(axis, url, title):
    try:
        response = requests.get(url)
        img = Image.open(BytesIO(response.content)).convert("RGB")
        axis.imshow(img, aspect="equal")
    except:
        pass
    if title is not None:
        axis.set_title(title, fontsize=4)
    axis.axis("off")


def plot_urls(url_arr, titles, filename):
    nx, ny = url_arr.shape

    plt.figure(figsize=(nx * 5, ny * 5), dpi=1600)
    fig, axes = plt.subplots(ny, nx)

    # reshape required in the case of 1 image query
    if len(axes.shape) == 1:
        axes = axes.reshape(1, -1)

    for i in range(nx):
        for j in range(ny):
            if j == 0:
                plot_img(axes[j, i], url_arr[i, j], titles[i])
            else:
                plot_img(axes[j, i], url_arr[i, j], None)

    plt.savefig(filename, dpi=1600)  # saves the results as a PNG

    display(plt.show())

汇总

定义 test_all() 以获取数据、CKNN 模型、要查询的艺术 ID 值以及用于保存输出可视化效果的文件路径。 之前已训练并加载介质和文化模型。

# main method to test a particular dataset with two CKNN models and a set of art IDs, saving the result to filename.png


def test_all(data, cknn_medium, cknn_culture, test_ids, root):
    is_nice_obj = udf(lambda obj: obj in test_ids, BooleanType())
    test_df = data.where(is_nice_obj("id"))

    results_df_medium = add_matches(mediums, cknn_medium, test_df)
    results_df_culture = add_matches(cultures, cknn_culture, results_df_medium)

    results = results_df_culture.collect()

    original_urls = [row["Thumbnail_Url"] for row in results]

    culture_urls = [
        [row["Matches_{}".format(label)][0]["value"] for row in results]
        for label in cultures
    ]
    culture_url_arr = np.array([original_urls] + culture_urls)[:, :]
    plot_urls(culture_url_arr, ["Original"] + cultures, root + "matches_by_culture.png")

    medium_urls = [
        [row["Matches_{}".format(label)][0]["value"] for row in results]
        for label in mediums
    ]
    medium_url_arr = np.array([original_urls] + medium_urls)[:, :]
    plot_urls(medium_url_arr, ["Original"] + mediums, root + "matches_by_medium.png")

    return results_df_culture

演示

以下单元格在给定所需的图像 ID 和文件名的情况下执行批处理查询，以保存可视化效果。

# sample query
result_df = test_all(small_df, medium_cknn, culture_cknn, selected_ids, root=".")

相关内容