使用快速、有条件、最接近的邻域算法探索跨文化和媒体的艺术

2025-04-05

本文介绍通过 k-near-neighbors 算法进行匹配查找。你构建代码资源，允许查询涉及纽约大都会艺术博物馆和阿姆斯特丹 Rijksmuseum 的艺术媒体。

先决条件

附加到湖屋的笔记本。有关详细信息，请访问使用笔记本浏览 Lakehouse 中的数据。

BallTree 概述

k-NN 模型依赖于 BallTree 数据结构。 BallTree 是递归二进制树，其中每个节点（或“ball”）包含要查询的数据点的分区或子集。若要生成 BallTree，请确定最接近每个数据点的“ball”中心（基于特定指定特征）。然后，将每个数据点分配给相应的最接近的“球”。这些分配创建一个结构，允许二进制树状遍历，并有助于在 BallTree 叶找到最接近的邻居。

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()

数据集来自一张表格，其中包含大都会博物馆和里克斯穆姆的艺术品信息。该表具有以下架构：

ID：每个特定艺术品的唯一标识符
- 示例 Met ID： 388395
- 示例 Rijks ID： SK-A-2344
标题：艺术作品标题，如博物馆数据库中写的那样
艺术家：艺术作品艺术家，如博物馆数据库中写的那样
Thumbnail_Url：艺术作品 JPEG 缩略图的位置
Image_Url 艺术片图像的网站 URL 位置，托管在 Met/Rijks 网站上
文化：艺术作品的文化类别
- 示例文化类别： 拉丁美洲、埃及等。
分类：艺术作品的中等类别
- 示例中等类别：木工、绘画等。
Museum_Page：指向艺术作品的 URL 链接，托管在 Met/Rijks 网站上
Norm_Features：嵌入艺术作品图像
博物馆：举办实际艺术品的博物馆

# loads the dataset and the two trained conditional k-NN 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"))

若要生成查询，请定义类别

使用两个 k-NN 模型：一个用于区域性，一个用于中等模型：

# 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()

定义和拟合条件 k-NN 模型

为中等列和区域性列创建条件 k-NN 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 k-NN 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

初始数据集和类别设置后，准备用于查询和可视化条件 k-NN 的结果的方法：

addMatches() 为每个类别创建一个包含少量匹配项的数据帧：

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() 将每个类别的顶级匹配项可视化到网格中的调用 plot_img ：

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())

把所有内容放在一起

数据
条件 k-NN 模型
要查询的艺术 ID 值
保存输出可视化效果的文件路径

定义调用的函数 test_all()

中区域性模型以前经过训练和加载。

# main method to test a particular dataset with two conditional k-NN 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

以下单元格执行批处理查询，给定所需的图像 ID 和文件名来保存可视化效果。

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

通过