image caption, 或者说叫image story teller，就是用一句话把一张图片的内容描述出来。

比较先进的是以下这篇论文所描述的方法：

Vinyals, Oriol, et al. "Show and Tell: Lessons learned from the 2015 MSCOCO Image Captioning Challenge". In IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016. [pdf]

它采用一个CNN＋LSTM的架构。CNN将一张图片映射为一个固定维数的向量，维数和LSTM中词的词嵌入维数相同，然后和LSTM中的序列一样，参与最终句子生成概率的预测。文中将CNN的映射看作LSTM的第－1层。所以整个模型的目标就是：已知当前图片作为输入的情况下，使描述图片的句子的概率最大。算法细节详见论文。

下面这个github项目是上面论文架构的tensorflow版本的实现：

Tensorflow-im2txt: https://github.com/tensorflow/models/tree/master/im2txt

后来Google Brain团队用这个方法参加了 2015 MSCOCO竞赛，和MS的团队并列第一。在models目录下有好多其它的tensorflow项目，咱们需要的是im2txt项目，但是使用时要把整个models目录都git clone下来。以上github链接中有详细的环境构建、构建训练数据以及训练模型的方法，下面简要叙述。

首先是环境的配置，要安装tensorflow1.0或更高版本，安装tensorflow的时候出现了好多错误，最终是在python的virtual env中安装成功的，具体安装方法可以参考tensorflow官方文档。然后要安装nltk和nltk data，安装nltk data的时候如果使用自带的接口下载，速度极慢，所以可以自行下载nltk然后导入。

image caption项目调研及实践