Utforske kunst på tvers av kultur og medium med raske, betingede, k-nærmeste naboer

  • Artikkel

Denne artikkelen fungerer som en retningslinje for match-finding via k-nærmeste-naboer. Du setter opp kode som tillater spørringer som involverer kulturer og medier av kunst samlet fra Metropolitan Museum of Art i NYC og Rijksmuseum i Amsterdam.

Forutsetning

  • Legg notatblokken til et lakehouse. På venstre side velger du Legg til for å legge til et eksisterende innsjøhus eller opprette et innsjøhus.

Oversikt over BallTree

Strukturen som fungerer bak KNN-modellen er en BallTree, som er et rekursivt binært tre der hver node (eller "ball") inneholder en partisjon av datapunktene som skal spørres. Å bygge en BallTree innebærer å tilordne datapunkter til "ballen" hvis sentrum de er nærmest (med hensyn til en bestemt spesifisert funksjon), noe som resulterer i en struktur som tillater binær-tre-lignende traversal og gir seg til å finne k-nærmeste naboer på en BallTree blad.

Oppsett

Importer nødvendige Python-biblioteker og klargjør datasett.

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()

Datasettet vårt kommer fra en tabell som inneholder kunstverkinformasjon fra både Met- og Rijks-museene. Skjemaet er som følger:

  • ID: En unik identifikator for et kunstverk
    • Eksempel på Met-ID: 388395
    • Eksempel på Rijks-ID: SK-A-2344
  • Tittel: Art piece tittel, som skrevet i museets database
  • Kunstner: Kunstkunstner, som skrevet i museets database
  • Thumbnail_Url: Plasseringen av et JPEG-miniatyrbilde av kunstverket
  • Image_Url plassering av et bilde av kunstverket som ligger på Met/Rijks-nettstedet
  • Kultur: Kulturkategori som kunstverket faller under
    • Eksempel på kulturkategorier: latinamerikansk, egyptisk og så videre.
  • Klassifisering: Kategori av medium som kunstverket faller under
    • Eksempel på mellomstore kategorier: treverk, malerier osv.
  • Museum_Page: Kobling til kunstverket på Met/Rijks-nettstedet
  • Norm_Features: Innebygging av kunstverkbildet
  • Museum: Angir hvilket museum stykket stammer fra
# 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"))

Definer kategorier som skal spørres på

To KNN-modeller brukes: én for kultur og én for middels.

# 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()

Definer og tilpass betingedeKNN-modeller

Opprett betingedeKNN-modeller for både mellom- og kulturkolonnene. hver modell tar i en utdatakolonne, funksjoner kolonne (funksjon vektor), verdier kolonne (celleverdier under utdatakolonnen) og etikettkolonne (kvaliteten som den respektive KNN er betinget på).

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)
)

Definer samsvarende og visualiseringsmetoder

Etter det første datasettet og kategorioppsettet, klargjør du metoder som vil spørre og visualisere resultatene av den betingede KNN-en.

addMatches() oppretter en dataramme med en håndfull treff per kategori.

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() kaller plot_img for å visualisere de beste treff for hver kategori i et rutenett.

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())

Sette alt sammen

Definer test_all() å ta inn dataene, CKNN-modellene, grafikk-ID-verdiene som skal spørres etter, og filbanen som utdatavisualiseringen skal lagres i. Medie- og kulturmodellene ble tidligere opplært og lastet.

# 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

Demo

Følgende celle utfører grupperte spørringer gitt ønskede bilde-ID-er og et filnavn for å lagre visualiseringen.

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

Relatert innhold