<p>Neural Style 开辟了计算机与艺术的道路，可以将照片风格化为名家大师的画风。然而这种方法即使使用GPU也要花上几十分钟。 Fast Neural Style 则启用另外一种思路来快速构建风格化图像，在笔记本CPU上十几秒就可以风格化一张图片。我们来看看这是什么原理。<br> 传统的Neural Style基于VGG构建了一个最优化模型。它将待风格化图片和风格化样本图放入VGG中进行前向运算。其中待风格化图像提取relu4特征图，风格化样本图提取relu1,relu2,relu3,relu4,relu5的特征图。我们要把一个随机噪声初始化的图像变成目标风格化图像，将其放到VGG中计算得到特征图，然后分别计算内容损失和风格损失。内容损失函数为：</p>    <p>c o n e n = 1 2 ∑ ∑ i , ( − ) 2</p>    <p>P和F一个表示目标图像的特征图，一个表示待风格化原图的特征图，l表示是哪个layer，k表示第几个特征图，减法是矩阵元素减法,i,j是矩阵坐标，M是一个可以自由发挥想象的分母，这里定义一个原图与生成图像在l层的所有特征图的欧氏距离之和。风格损失函数为：</p>    <p>s y e = ∑ w ( ∑ 1 , 2 ∑ i , − ∑ 1 , 2 ∑ i , P 1 P 2 ) 2</p>    <p>P和F一个表示目标图像的特征图，一个表示风格化样本图的特征图，l表示是哪个layer，k表示第几个特征图，乘法是矩阵元素乘法，生成的Gram矩阵是一种未中心化的协方差矩阵，i,j是矩阵坐标，N是一个可以自由发挥想象的分母(虽然原文有明确的值，但是感觉跟原理没关系)。计算和求和Gram矩阵做法其实简单，假设特征图是C个[H,W]的矩阵，那么合并展开为[C,HxW]的矩阵 Φ ，Gram矩阵总的求和就是 ∑ Φ Φ ，这里是矩阵乘法。<br> 有了上面两个损失函数，就可以构建感知损失函数：</p>    <p>p e c e p u a = α s y e + c o n e n + v</p>    <p style="text-align:center">第三项是噪声约束，不用也可以。最小化这个感知损失函数，我们就把输入的随机噪声图像变成了风格化的图片。这个最优化模型的收敛速度非常慢，GPU都要计算好久。<br> Fast Neural Style则可以在普通笔记本电脑中十几秒运算出一个风格化图像。在一些科普文中是这样解释：Neural Style每次风格化都重新训练了一次生成过程，把这个过程提前做好，就可以加速风格化。我觉得这个说法有点奇怪，来看看原文流程图：<br> <img src="https://simg.open-open.com/show/809d14d088590c4cae28a612b279b5e0.png"><br> 这个模型有两个部分，后面一个loss network就是普通Neural Style的VGG网络，这里只当做计算loss的网络，不进行训练；前面一个Image Transform Network一般是一个deep residual CNN，即喜闻乐见的深度残差网络，要训练这个网络。然而，深度残差网络的结构跟VGG是不同，训练深度残差网络不等于提前做好VGG生成过程。这里的思想，我认为是一种生成-判别模型，有生成对抗网络GAN的影子：深度残差网络-》生成模型，VGG-》判别模型。<br> 下面的代码来自国人大神 <a href="/misc/goto?guid=4959738675396723143" rel="nofollow,noindex">hzy46</a> ，我将预测部分的代码已经升级迁移到python3 tensorflow 1.0正式版：</p>    <pre>  <code class="language-python">def resize_conv2d(x, input_filters, output_filters, kernel, strides, training):      '''      An alternative to transposed convolution where we first resize, then convolve.      See http://distill.pub/2016/deconv-checkerboard/        For some reason the shape needs to be statically known for gradient propagation      through tf.image.resize_images, but we only know that for fixed image size, so we      plumb through a "training" argument      '''      with tf.variable_scope('conv_transpose') as scope:          height = x.get_shape()[1].value if training else tf.shape(x)[1]          width = x.get_shape()[2].value if training else tf.shape(x)[2]          new_height = height * strides * 2          new_width = width * strides * 2          x_resized = tf.image.resize_images(x, [new_height, new_width], tf.image.ResizeMethod.NEAREST_NEIGHBOR)          return conv2d(x_resized, input_filters, output_filters, kernel, strides)    def instance_norm(x):      epsilon = 1e-9      mean, var = tf.nn.moments(x, [1, 2], keep_dims=True)      return tf.div(tf.subtract(x, mean), tf.sqrt(tf.add(var, epsilon)))    with tf.variable_scope('conv1'):          conv1 = tf.nn.relu(instance_norm(conv2d(image, 3, 32, 9, 1)))      with tf.variable_scope('conv2'):          conv2 = tf.nn.relu(instance_norm(conv2d(conv1, 32, 64, 3, 2)))      with tf.variable_scope('conv3'):          conv3 = tf.nn.relu(instance_norm(conv2d(conv2, 64, 128, 3, 2)))      with tf.variable_scope('res1'):          res1 = residual(conv3, 128, 3, 1)      with tf.variable_scope('res2'):          res2 = residual(res1, 128, 3, 1)      with tf.variable_scope('res3'):          res3 = residual(res2, 128, 3, 1)      with tf.variable_scope('res4'):          res4 = residual(res3, 128, 3, 1)      with tf.variable_scope('res5'):          res5 = residual(res4, 128, 3, 1)      with tf.variable_scope('deconv1'):          deconv1 = tf.nn.relu(instance_norm(resize_conv2d(res5, 128, 64, 3, 2, training)))      with tf.variable_scope('deconv2'):          deconv2 = tf.nn.relu(instance_norm(resize_conv2d(deconv1, 64, 32, 3, 2, training)))      with tf.variable_scope('deconv3'):          deconv3 = tf.nn.tanh(instance_norm(conv2d(deconv2, 32, 3, 9, 1)))      y = (deconv3 + 1) * 127.5</code></pre>    <p> </p>    <p>明显可以看到这里用了反转卷积conv2d_transpose，这是生成模型的标配啊！整个模型中，深度残差网络不断从原图生成目标风格化图像，然后VGG不断反馈深度残差网络存在的问题，从而不断优化生成网络，直到生成网络生成标准的风格化图像。最后要投入使用的时候，后面VGG判别网络根本不需要，只需要前面的深度残差生成网络，就像GAN一样。<br> Fast Neural Style的优点有：</p>    <ul>     <li>生成速度快。</li>     <li>训练好的模型文件不大，载入简单。不需要VGG网络，那个tensorflow model有500MB。</li>    </ul>    <p>缺点有：</p>    <ul>     <li>训练速度很慢。官方推荐用coco数据集训练深度残差网络，这个数据集小的也有13GB，运行要几十个小时。</li>     <li>一个生成网络只能生成一种风格化图像。我们训练生成网络，使用的风格化图像只能用一种。</li>    </ul>    <p>由于训练的太慢，我就直接用hzy46大神的训练好的model。经过训练后的图像：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/f68d53f739175d8a36029046784582a1.jpg"></p>    <p><br> INFO:tensorflow:Elapsed time: 1.455744s<br> 你们看，2015 macbook pro低配版上只要1.5秒钟就完成了这个252x252的图像的风格化。<br> <a href="/misc/goto?guid=4959738675493817784" rel="nofollow,noindex">https://github.com/artzers/MachineLearning/tree/master/Tensorflow/fast-neural-style</a></p>    <p> </p>    <p> </p>    <p>来自：http://blog.csdn.net/lpsl1882/article/details/56666265</p>    <p> </p>