前言

文章目錄

• 前言
• 1.介紹
• 2. 基本原理
• 3 準備工作
• 4 加載素材

1.介紹

本教程主要講解如何實現由Leon A. Gatys，Alexander S. Ecker和Matthias Bethge提出的 Neural-Style 算法。Neural-Style或者叫Neural-Transfer，可以讓你運用新的風格將你指定的圖片進行重構。這個算法將使用兩張圖片，一張圖片作為風格提供者，一張圖片作為內容提供者，另外生成一張圖片內容與內容圖片相似，但圖片風格的和風格圖片相似的新圖片。

2. 基本原理

其實現原理非常特別，展現了人類思維的巧妙性，
我們定義兩個優化指標：
1，一個用于內容D_C;
2，一個用于風格D_S。
D_C度量兩張圖片內容上的區別，而D_S用來測量兩張圖片風格的區別。
然后，我們生成第三張圖片，并優化這張圖片，使其與內容圖片的內容差別和風格圖片的風格差別最小化。
現在，原理講完了，開始實現吧，首先，我們導入必要的包。

3 準備工作

首先是導入以下的包：

torch, torch.nn(使用PyTorch進行風格轉換必不可少的包)

numpy (矩陣處理必須用)

torch.optim (高效的梯度下降)

PIL, PIL.Image, matplotlib.pyplot (加載和展示圖片)

torchvision.transforms (將PIL圖片轉換成張量)

torchvision.models (訓練或加載預訓練模型)

copy (對模型進行深度拷貝；系統包)

import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from PIL import Image import matplotlib.pyplot as plt import torchvision.transforms as transforms import torchvision.models as models import copy import warnings warnings.filterwarnings("ignore")

接著是一個比較關鍵的步驟，確定是GPU還是CPU來運行神經網絡。雖然，在GPU上運行可以加速，但有的電腦上沒有GPU。
我們可以使用torch.cuda.is_available()來判斷是否有可用的GPU。

if torch,cuda.is_available():device=torch.device("cuda") else:device=torch.device("cpu")

4 加載素材

接下來是導入提供風格和內容的圖片。
導入圖片也意味著對圖片進行預處理，原始的PIL圖片的屬性值介于0到255之間，但是當轉換成torch張量時，它們的值被壓縮到0到1之間，另外，圖片分辨率也會被調整到520。一個重要的細節是，注意torch庫中的神經網絡用來訓練的張量的值為0到1之間。如果你嘗試將0到255的張量圖片加載到神經網絡，然后激活的特征映射將不能偵測到目標內容和風格。然而，Caffe庫中的預訓練網絡用來訓練的張量值為0到255之間的圖片。

這是一個下載本教程需要用到的圖片的鏈接： picasso.jpg 和 dancing.jpg。下載這兩張圖片并且將它們添加到你當前工作目錄。
如果嫌麻煩，可以關注公眾號，

發送neuralstyle，自動推送資源集成包。
設置圖片預處理程序

# desired size of the output image imsize = 512 if torch.cuda.is_available() else 128 # use small size if no gpuloader = transforms.Compose([transforms.Resize(imsize), # scale imported imagetransforms.ToTensor()]) # transform it into a torch tensordef image_loader(image_name):image = Image.open(image_name)# fake batch dimension required to fit network's input dimensionsimage = loader(image).unsqueeze(0) #添加一個0維度 batch 適應網絡輸入return image.to(device, torch.float)style_img = image_loader("picasso.jpg") content_img = image_loader("dancing.jpg")assert style_img.size() == content_img.size(), \"we need to import style and content images of the same size"

因為tensor是四維的不能直接展示，所以，我們創建一個imshow函數，重新將圖片轉換成標準三維數據來展示，這樣也可以讓我們確認圖像是否被正確加載。

unloader = transforms.ToPILImage() # reconvert into PIL imageplt.ion()def imshow(tensor, title=None):image = tensor.cpu().clone() # we clone the tensor to not do changes on itimage = image.squeeze(0) # remove the fake batch dimension 去掉0維度image = unloader(image)plt.imshow(image)if title is not None:plt.title(title)plt.pause(0.001) # pause a bit so that plots are updatedplt.figure() imshow(style_img, title='Style Image')plt.figure() imshow(content_img, title='Content Image')

正確加載的話，運行到這里，可以看到這個。

總結

以上是生活随笔為你收集整理的PyTorch进行神经风格转换/迁移(Neural-Transfer:图像风格迁移)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。