PyTorch 进行 Neural-Transfer
PyTorch 进行 Neural-Transfer
1.简介
本文讲解如何实现由 Leon A. Gatys，Alexander S. Ecker和Matthias Bethge提出的Neural-Style 算法。Neural-Style 或者叫 Neural-Transfer，使用一种新的风格将指定的图片进行重构。这个算法使用三张图片，一张输入图片，一张内容图片和一张风格图片，并将输入的图片变得与内容图片相似，且拥有风格图片的优美风格。
2.基本原理
定义两个间距，一个用于内容D_C，另一个用于风格D_S。D_C测量两张图片内容的不同，而D_S用来测量两张图片风格的不同。然后，输入第三张图片，并改变这张图片，使其与内容图片的内容间距和风格图片的风格间距最小化。导入必要的包，开始图像风格转换。
3.导包并选择设备
下面是一张实现图像风格转换所需包的汇总。 * torch, torch.nn, numpy：使用PyTorch进行风格转换必不可少的包 * torch.optim：高效的梯度下降 * PIL, PIL.Image, matplotlib.pyplot：加载和展示图片 * torchvision.transforms：将PIL图片转换成张量 * torchvision.models：训练或加载预训练模型 * copy：对模型进行深度拷贝；系统包
from __future__ import print_function
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
下一步，选择用哪一个设备来运行神经网络，导入内容和风格图片。在大量图片上运行图像风格算法需要很长时间，在GPU上运行，可以加速。可以使用torch.cuda.is_available()来判断是否有可用的GPU。下一步，使用torch.device，同时 torch.device .to(device)方法也被用来将张量或者模型移动到指定设备。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
4.加载图片
将导入风格和内容图片。原始的PIL图片的值介于0到255之间，当转换成torch张量时，值被转换成0到1之间。图片也需要被重设成相同的维度。一个重要的细节是，torch库中的神经网络，用来训练的张量的值为0到1之间。尝试将0到255的张量图片加载到神经网络，激活的特征映射，将不能侦测到目标内容和风格。Caffe库中的预训练网络用来训练的张量值为0到255之间的图片。
注意：下载需要用到的图片的链接：picasso.jpg 和 dancing.jpg。下载这两张图片并且添加到当前工作目录中的 images文件夹。
# 所需的输出图像大小
imsize = 512 if torch.cuda.is_available() else 128 # use small size if no gpu
loader = transforms.Compose([
transforms.Resize(imsize), # scale imported image
transforms.ToTensor()]) # transform it into a torch tensor
def image_loader(image_name):
image = Image.open(image_name)
# fake batch dimension required to fit network's input dimensions
image = loader(image).unsqueeze(0)
return image.to(device, torch.float)
style_img = image_loader("./data/images/neural-style/picasso.jpg")
content_img = image_loader("./data/images/neural-style/dancing.jpg")
assert style_img.size() == content_img.size(), \
"we need to import style and content images of the same size"
，让创建一个方法，通过重新将图片转换成PIL格式来展示，并使用plt.imshow展示它的拷贝。将尝试展示内容和风格图片来确保它们被正确的导入。
unloader = transforms.ToPILImage() # reconvert into PIL image
plt.ion()
def imshow(tensor, title=None):
image = tensor.cpu().clone() # we clone the tensor to not do changes on it
image = image.squeeze(0) # remove the fake batch dimension
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 updated
plt.figure()
imshow(style_img, title='Style Image')
plt.figure()
imshow(content_img, title='Content Image')
5.损失函数
5.1 内容损失
内容损失表示一层内容间距的加权版本。使用网络中的L层的特征映射F_XL，网络处理输入X并返回在图片X和内容图片 C之间的加权内容间距W_CL*D_C^L(X,C)。必须知道内容图片（F_CL）的特征映射来计算内容间距。以F_CL作为 构造参数输入的 torch 模型来实现。间距||F_XL-F_CL||^2是两个特征映射集合之间的平均方差，可以使用nn.MSELoss来计算。
直接添加这个内容损失模型到被用来计算内容间距的卷积层之后。每一次输入图片到网络中时，内容损失都会在目标层被计算。而且因为自动求导，所有的梯度都会被计算。为了使内容损失层透明化，必须定义一个forward方法来计算内容损失，返回该层的输入。计算的损失作为模型的参数被保存。
class ContentLoss(nn.Module):
def __init__(self, target,):
super(ContentLoss, self).__init__()
# 从用于动态计算梯度的树中“分离”目标内容：
# 这是一个声明的值，而不是变量。
# 否则标准的正向方法将引发错误。
self.target = target.detach()
def forward(self, input):
self.loss = F.mse_loss(input, self.target)
return input
注意：
重要细节：尽管这个模型的名称被命名为 ContentLoss, 不是一个真实的PyTorch损失方法。如果想要定义内容损失为PyTorch Loss方法，必须创建一个PyTorch自动求导方法，在backward方法中手动重计算/实现梯度.
5.2 风格损失
风格损失模型与内容损失模型的实现方法类似。作为一个网络中的透明层，计算相应层的风格损失。为了计算风格损失，需要 计算 Gram 矩阵G_XL。Gram 矩阵，将给定矩阵和它的转置矩阵的乘积。给定的矩阵是L层特征映射F_XL的重塑版本。 F_XL被重塑成F̂_XL，一个 KxN的矩阵，其中K是L层特征映射的数量，N是任何向量化特征映射F_XL^K的长度。例如，第一行的F̂_XL 与第一个向量化的F_XL^1。
最后，Gram 矩阵，通过将每一个元素除以矩阵中所有元素的数量进行标准化。标准化是为了消除拥有很大的N维度F̂_XL在Gram矩阵中，产生的很大的值。这些很大的值将在梯度下降的时候，对第一层（在池化层之前）产生很大的影响。风格特征往往在网络中更深的层，标准化步骤是很重要的。
def gram_matrix(input):
a, b, c, d = input.size() # a=batch size(=1)
# 特征映射 b=number
# (c,d)=dimensions of a f. map (N=c*d)
features = input.view(a * b, c * d) # resise F_XL into \hat F_XL
G = torch.mm(features, features.t()) # compute the gram product
# 通过除以每个特征映射中的元素数来“标准化”gram矩阵的值.
return G.div(a * b * c * d)
风格损失模型看起来和内容损失模型很像。风格间距也用G_XL和G_SL之间的均方差来计算。
class StyleLoss(nn.Module):
def __init__(self, target_feature):
super(StyleLoss, self).__init__()
self.target = gram_matrix(target_feature).detach()
def forward(self, input):
G = gram_matrix(input)
self.loss = F.mse_loss(G, self.target)
return input
6.导入模型
需要导入预训练的神经网络。将使用19层的 VGG 网络，就像论文中使用的一样。
PyTorch 的 VGG 模型实现被分为了两个字 Sequential 模型：features（包含卷积层和池化层）和classifier（包含全连接层）。 将使用features模型，因为需要每一层卷积层的输出来计算内容和风格损失。在训练的时候有些层会有和评估不一样的行为， 所以必须用.eval()将网络设置成评估模式。
cnn = models.vgg19(pretrained=True).features.to(device).eval()
此外，VGG网络通过使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]参数来标准化图片的每一个通道，并在图片上进行训练。在把图片输入神经网络之前，先使用这些参数对图片进行标准化。
cnn_normalization_mean = torch.tensor([0.485, 0.456, 0.406]).to(device)
cnn_normalization_std = torch.tensor([0.229, 0.224, 0.225]).to(device)
# 创建一个模块来规范化输入图像
# 这样就可以轻松地将它放入nn.Sequential中
class Normalization(nn.Module):
def __init__(self, mean, std):
super(Normalization, self).__init__()
# .view the mean and std to make them [C x 1 x 1] so that they can
# directly work with image Tensor of shape [B x C x H x W].
# B is batch size. C is number of channels. H is height and W is width.
self.mean = torch.tensor(mean).view(-1, 1, 1)
self.std = torch.tensor(std).view(-1, 1, 1)
def forward(self, img):
# normalize img
return (img - self.mean) / self.std
一个 Sequential 模型，包含一个顺序排列的子模型序列。例如，vff19.features包含一个以正确的深度顺序排列的序列（Conv2d, ReLU, MaxPool2d, Conv2d, ReLU…）。需要将自己的内容损失和风格损失层，在感知到卷积层之后立即添加进去。因此，必须创建 一个新的Sequential模型，并正确的插入内容损失和风格损失模型。
# 期望的深度层来计算样式/内容损失：
content_layers_default = ['conv_4']
style_layers_default = ['conv_1', 'conv_2', 'conv_3', 'conv_4', 'conv_5']
def get_style_model_and_losses(cnn, normalization_mean, normalization_std,
style_img, content_img,
content_layers=content_layers_default,
style_layers=style_layers_default):
cnn = copy.deepcopy(cnn)
# 规范化模块
normalization = Normalization(normalization_mean, normalization_std).to(device)
# 只是为了拥有可迭代的访问权限或列出内容/系统损失
content_losses = []
style_losses = []
# 假设cnn是一个`nn.Sequential`，
# 所以创建一个新的`nn.Sequential`来放入应该按顺序激活的模块
model = nn.Sequential(normalization)
i = 0 # increment every time we see a conv
for layer in cnn.children():
if isinstance(layer, nn.Conv2d):
i += 1
name = 'conv_{}'.format(i)
elif isinstance(layer, nn.ReLU):
name = 'relu_{}'.format(i)
# 对于在下面插入的`ContentLoss`和`StyleLoss`，
# 本地版本不能很好地发挥作用。所以在这里替换不合适的
layer = nn.ReLU(inplace=False)
elif isinstance(layer, nn.MaxPool2d):
name = 'pool_{}'.format(i)
elif isinstance(layer, nn.BatchNorm2d):
name = 'bn_{}'.format(i)
else:
raise RuntimeError('Unrecognized layer: {}'.format(layer.__class__.__name__))
model.add_module(name, layer)
if name in content_layers:
# 加入内容损失:
target = model(content_img).detach()
content_loss = ContentLoss(target)
model.add_module("content_loss_{}".format(i), content_loss)
content_losses.append(content_loss)
if name in style_layers:
# 加入风格损失:
target_feature = model(style_img).detach()
style_loss = StyleLoss(target_feature)
model.add_module("style_loss_{}".format(i), style_loss)
style_losses.append(style_loss)
# 在最后的内容和风格损失之后剪掉了图层
for i in range(len(model) - 1, -1, -1):
if isinstance(model[i], ContentLoss) or isinstance(model[i], StyleLoss):
break
model = model[:(i + 1)]
return model, style_losses, content_losses
下一步，选择输入图片。你可以使用内容图片的副本或者白噪声。
input_img = content_img.clone()
# 如果您想使用白噪声而取消注释以下行：
# input_img = torch.randn(content_img.data.size(), device=device)
# 将原始输入图像添加到图中：
plt.figure()
imshow(input_img, title='Input Image')
7.梯度下降
使用 L-BFGS 算法来进行的梯度下降。与训练一般网络不同，训练输入图片是为了最小化内容/风格损失。 要创建一个 PyTorch 的 L-BFGS 优化器optim.LBFGS，并传入的图片到其中，作为张量去优化。
def get_input_optimizer(input_img):
# 此行显示输入是需要渐变的参数
optimizer = optim.LBFGS([input_img.requires_grad_()])
return optimizer
最后，必须定义一个方法来展示图像风格转换。对于每一次的网络迭代，都将更新过的输入传入其中并计算损失。要运行每一个 损失模型的backward方法，计算它们的梯度。优化器需要一个“关闭”方法，它重新估计模型并且返回损失。
还有最后一个问题要解决。神经网络可能会尝试使张量图片的值超过0到1之间来优化输入。可以通过在每次网络运行的时候将输入的值矫正到0到1之间来解决这个问题。
def run_style_transfer(cnn, normalization_mean, normalization_std,
content_img, style_img, input_img, num_steps=300,
style_weight=1000000, content_weight=1):
"""Run the style transfer."""
print('Building the style transfer model..')
model, style_losses, content_losses = get_style_model_and_losses(cnn,
normalization_mean, normalization_std, style_img, content_img)
optimizer = get_input_optimizer(input_img)
print('Optimizing..')
run = [0]
while run[0] <= num_steps:
def closure():
# 更正更新的输入图像的值
input_img.data.clamp_(0, 1)
optimizer.zero_grad()
model(input_img)
style_score = 0
content_score = 0
for sl in style_losses:
style_score += sl.loss
for cl in content_losses:
content_score += cl.loss
style_score *= style_weight
content_score *= content_weight
loss = style_score + content_score
loss.backward()
run[0] += 1
if run[0] % 50 == 0:
print("run {}:".format(run))
print('Style Loss : {:4f} Content Loss: {:4f}'.format(
style_score.item(), content_score.item()))
print()
return style_score + content_score
optimizer.step(closure)
# 最后的修正......
input_img.data.clamp_(0, 1)
return input_img
最后，可以运行这个算法。
output = run_style_transfer(cnn, cnn_normalization_mean, cnn_normalization_std,
content_img, style_img, input_img)
plt.figure()
imshow(output, title='Output Image')
# sphinx_gallery_thumbnail_number = 4
plt.ioff()
plt.show()
- 输出结果
Building the style transfer model..
Optimizing..
run [50]:
Style Loss : 4.169304 Content Loss: 4.235329
run [100]:
Style Loss : 1.145476 Content Loss: 3.039176
run [150]:
Style Loss : 0.716769 Content Loss: 2.663749
run [200]:
Style Loss : 0.476047 Content Loss: 2.500893
run [250]:
Style Loss : 0.347092 Content Loss: 2.410895
run [300]:
Style Loss : 0.263698 Content Loss: 2.358449
