基于深度学习的风格迁移转换的两种实现——style-transfer和fast-neural-style-tensorflow

原文链接：http://blog.csdn.net/zhangjunhit/article/details/70740108

style-transfer

这个主要是利用caffe+model+code直接实现任意风格的转换。

最后实现需借助 
- 一张风格图片 
- 待转换风格的目标图片 
- 训练模型

# coding
>>>python style.py -s <style_image> -c <content_image> -m <model_name> -g 0
   
   
1
2

优势： 
- 可以实现任意风格的转换 
- 可拓展性强 
缺点： 
- 耗时长（真的很长，如果用CPU的话）

fast-neural-style-tensorflow

风格快速迁移转换

顾名思义，这个比前者能够更快的进行风格转换，速度因机器而异，不过效率比前者确确实实提高了很多倍

最后实现需借助 
- 一个训练好的风格模型 
- 待转换的风格图片

# coding
>>> python eval.py --model_file <path of ckpt-done> --image_file <path of image>
   
   
1
2

优势： 
- 速度相对来说很快 
- 环境搭建相对来说更容易 
缺点： 
- 可拓展性更弱 
- 只能转换固定几种风格 
- 训练新风格模型时间长（比前者生成时间更长）

style-transfer的实现

环境介绍

Ubuntu16.04 + CPU + python2.7 + caffe

搭建caffe环境

可参考我的博客

实现前准备

# 默认已安装git，未安装请sudo apt get install git
>>>git clone https://github.com/fzliu/style-transfer

# pycaffe环境布置
>>>sudo pip install progressbar  

# 下载训练模型，这里推荐vgg16
# 方法一，使用scripts/ 下的download_models.sh这个方法可能很慢。。。。
>>>bash scripts/download_models.sh vgg16
# 方法二
>>>wget http://www.robots.ox.ac.uk/~vgg/software/very_deep/caffe/VGG_ILSVRC_16_layers.caffemodel
   
   
1
2
3
4
5
6
7
8
9
10
11

使用方法二下载的model需要放在./model/vgg16下，使用方法一下载的已经默认放在那

实现

确保在源码文件夹中

# 格式
>>>python style.py -s <style_image> -c <content_image> -m <model_name> -g 0

# 举个栗子，model_name直接写vgg16或其他，不需要加具体路径
>>>python style.py -s images/style/starry_night.jpg -c images/content/nanjing.jpg -m vgg16 -g -1
   
   
1
2
3
4
5

提示：CPU很慢，真的很慢，估计要等一会才会有时间显示出来

参数解析： 
- -s, 风格图位置； 
- -c, 内容图位置； 
- -m, 模型位置； 
- -g, 什么模式，-1为CPU，0为单个GPU，1为两个GPU。

调整参数

# 确保在源码文件夹下,修改style.py配置文件
>>>vim style.py


# 修改文件大小，改为1024
parser.add_argument("-l", "--length", default=1024, type=float, required=False, help="maximum image length") 
def transfer_style(self, img_style, img_content, length=1024, ratio=1e5,  
n_iter=512, init="-1", verbose=False, callback=None)  

# 修改迭代次数，个人认为400就差不多了，可自行修改；50次迭代之后改变的就是背景纹理，按需更改
parser.add_argument("-n", "--num-iters", default=400, type=int, required=False, help="L-BFGS iterations")

# 还有很多其他可以修改的地方，在此就不一一赘述了
   
   
1
2
3
4
5
6
7
8
9
10
11
12
13

fast-neural-style-tensorflow的实现

环境介绍

Ubuntu16.04 + CPU + python2.7 + tensorflow 1.0

搭建tensorflow环境

可参考我的博客

实现前准备

下载已经训练好的模型

百度云盘链接

# 安装pyyaml
>>>sudo pip install pyyaml
   
   
1
2

实现

确保在源码文件夹中

# 格式
>>>python eval.py --model_file <path of ckpt-done> --image_file <path of image>

# 举个栗子,假设wave.ckpt-done放在了源码文件夹中的models文件夹中
>>>python eval.py --model_file models/wave.ckpt-done --image_file img/test.jpg
# 默认生成位置在generated，默认生成文件名称为res.jpg。可自行在eval.py中更改
   
   
1
2
3
4
5
6

训练新的风格模型

下载

vgg16训练模型(500多M)

训练数据集(12.6G)

或者使用wget命令下载

# vgg16训练模型
>>>wget http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

# 训练数据集
>>>wget http://msvocds.blob.core.windows.net/coco2014/train2014.zip
   
   
1
2
3
4
5

移动模型到对应目录中

# 在源码文件夹中新建文件夹
>>>mkdir pretrained

# 下载完成之后需要进行解压
>>>tar -zxvf vgg_16_2016_08_28.tar.gz

# 移动文件夹到pretrained
>>>cp <path of vgg16> <pretrained>
   
   
1
2
3
4
5
6
7
8

训练新的模型

# 解压数据集
>>>unzip train2014.zip

# 进入数据集
>>>cd train2014

# 建立软链接，方便训练命令的输入
>>>ln -s <train2014的绝对路径> train2014

# 进入源码文件夹中
# 开始训练, wave.yml是作者预先配置好的文件，如果训练自己的模型，需要自己新写一份yml文件
>>>python train.py -c conf/wave.yml
   
   
1
2
3
4
5
6
7
8
9
10
11
12

总结

如果只是单纯的想玩玩风格转换的话，可以试试fast-neural-style-tensorflow，不过训练新模型还是不建议（特殊需要除外），耗时耗力

如果想锻炼自己，从零开始学习，可以从读论文开始，然后试试style-transfer代码