qs956 / latex_ocr_pytorch Goto Github PK

Latex_OCR_Pytorch

主要是这个版本的Pytorch实现:

LinXueyuanStdio/LaTeX_OCR_PRO

感谢@LinXueyuanStdio 的工作以及指导.本项目与上述项目思路一致，但在实现上修改了一些地方:

• 数据集的重新定义,但使用原有类似的预处理方式
• 代码简化，目前仅保留主要部分，命令行控制等在后续补充
• 内存优化，相对较少的内存需求，支持较大批量的训练。但批大小一样的情况下实测速度提高不大
• 使用Checkpoint特性，在编码过程中出现OOM则自动进行分段计算
• 在训练时候采用贪婪策略，Beam Search仅在推断时候采用
• Scheduled Sampling策略

Follow these paper:

1. Show, Attend and Tell(Kelvin Xu...)
2. Harvard's paper and dataset

Follow these tutorial:

1. Seq2Seq for LaTeX generation.
2. a PyTorch Tutorial to Image Captioning.

1. Python >= 3.6

2. Pytorch >= 1.2

使用LinXueyuanStdio/Data-for-LaTeX_OCR 数据集,原仓库较大,后续提供打包下载.

已包括上述仓库中small数据集 印刷体数据全集百度云 提取码：tapj Google Drive 自己划分的混合CROHME2011,2012数据集Google Drive

在自己划分CROHME2011,2012数据集上使用以下参数的训练模型Google Drive emb_dim = 30 attention_dim = 128 decoder_dim = 128 后续补充模型测试结果以及colab

数据集文件生成参考utils.py的get_latex_ocrdata

数据集文件json格式,包括训练集文件,验证集文件,字典文件.

字典格式:

python字典(符号——编号)的json储存

数据集格式:

​```shell
训练/验证数据集
├── file_name1 图片文件名 str
│   ├── img_path:文件路径(到文件名,含后缀) str
│   ├── size:图片尺寸 [长,宽] list
│   ├── caption:图片代表的公式,各个符号之间必须要空格分隔 str
│   └── caption_len:len(caption.split()) int
|   ...
eg:
{
"0.png":
    {
    "img_path":"./mydata/0.png",
    "size":[442,62],
    "caption":"\frac { a + b } { 2 }",
    "caption_len":9,
    }
"2.png":...
}

​```

图片预处理

参考dataloader/data_turn主要进行以下操作

1. 灰度化
2. 裁剪公式部分
3. 上下左右各padding 8个像素
4. [可选]下采样

• 推断部分
• Attention层的可视化
• 预训练模型
• 打包的训练数据
• perplexity指标