本文主要是介绍动手学深度学习(三十三)——样式迁移,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文章目录
- 一、基于CNN的样式迁移
- 1. 直观理解样式迁移
- 2. 基于CNN的样式迁移方法
- 二、样式迁移实现
- 1. 阅读内容和样式图像
- 2. 预处理和后处理
- 3. 抽取图像特征
- 4. 定义损失函数
- 4.1 内容损失
- 4.2 样式损失
- 4.3 总变差损失
- 4.4 总损失加权
- 5. 初始化合成图像
- 6. 模型训练
- 三、总结
一、基于CNN的样式迁移
1. 直观理解样式迁移
如果你是一位摄影爱好者,你也许接触过滤镜。它能改变照片的颜色样式,从而使风景照更加锐利或者令人像更加美白。但一个滤镜通常只能改变照片的某个方面。如果要照片达到理想中的样式,你可能需要尝试大量不同的组合。这个过程的复杂程度不亚于模型调参。
在本节中,我们将介绍如何使用卷积神经网络,自动将一个图像中的样式应用在另一图像之上,即样式迁移(style transfer)。这里我们需要两张输入图像:一张是内容图像,另一张是样式图像(注意:内容图和样式图都是我们的输入,和之前的一张输入图像是明显不相同的)。我们将使用神经网络修改内容图像,使其在样式上接近样式图像。
例如,下图中图像为李沐沐神在西雅图郊区的雷尼尔山国家公园拍摄的风景照,而样式图像则是一幅主题为秋天橡树的油画。最终输出的合成图像应用了样式图像的油画笔触让整体颜色更加鲜艳,同时保留了内容图像中物体主体的形状。
2. 基于CNN的样式迁移方法
下面的图中用简单的例子阐述了基于卷积神经网络的样式迁移方法。
- 首先,我们初始化合成图像,例如将其初始化为内容图像(初始化成什么都没关系,可以尝试不同的初始化)。该合成图像是样式迁移过程中唯一需要更新的变量,即样式迁移所需迭代的模型参数。
- 然后,我们选择一个预训练的卷积神经网络来抽取图像的特征,其中的模型参数在训练中无须更新。这个深度卷积神经网络凭借多个层逐级抽取图像的特征,我们可以选择其中某些层的输出作为内容特征或样式特征。(越是接近底层,抽取的特征越是全局化)
以下图为例,这里选取的预训练的神经网络含有3个卷积层,其中第二层输出内容特征,第一层和第三层输出样式特征。
接下来,我们通过正向传播(实线箭头方向)计算样式迁移的损失函数,并通过反向传播(虚线箭头方向)迭代模型参数,即不断更新合成图像。
样式迁移常用的损失函数由3部分组成:
- (i) 内容损失使合成图像与内容图像在内容特征上接近;
- (ii) 样式损失使合成图像与样式图像在样式特征上接近;
- (iii) 总变差损失则有助于减少合成图像中的噪点。
最后,当模型训练结束时,我们输出样式迁移的模型参数,即得到最终的合成图像。
在下面,我们将通过代码来进一步了解样式迁移的技术细节。
二、样式迁移实现
1. 阅读内容和样式图像
首先,我们读取内容和样式图像。
从打印出的图像坐标轴可以看出,它们的尺寸并不一样。
%matplotlib inline
import torch
import torchvision
from torch import nn
from d2l import torch as d2l
import os
import matplotlib.pyplot as pltd2l.set_figsize()
content_img = d2l.Image.open('./course_file/pytorch/img/rainier.jpg')
d2l.plt.imshow(content_img)
style_img = d2l.Image.open('./course_file/pytorch/img/autumn-oak.jpg')
d2l.plt.imshow(style_img);
2. 预处理和后处理
"""
下面,定义图像的预处理函数和后处理函数。
预处理函数`preprocess`对输入图像在RGB三个通道分别做标准化,并将结果变换成卷积神经网络接受的输入格式。
后处理函数`postprocess`则将输出图像中的像素值还原回标准化之前的值。
由于图像打印函数要求每个像素的浮点数值在0到1之间,我们对小于0和大于1的值分别取0和1。
"""
rgb_mean = torch.tensor([0.485, 0.456, 0.406])
rgb_std = torch.tensor([0.229, 0.224, 0.225])def preprocess(img, image_shape):"""图片变为tensor"""transforms = torchvision.transforms.Compose([torchvision.transforms.Resize(image_shape),torchvision.transforms.ToTensor(),torchvision.transforms.Normalize(mean=rgb_mean, std=rgb_std)])return transforms(img).unsqueeze(0)def postprocess(img):"""tensor变为图片"""img = img[0].to(rgb_std.device)img = torch.clamp(img.permute(1, 2, 0) * rgb_std + rgb_mean, 0, 1)return torchvision.transforms.ToPILImage()(img.permute(2, 0, 1))
3. 抽取图像特征
# 我们使用基于ImageNet数据集预训练的VGG-19模型来抽取图像特征。
pretrained_net = torchvision.models.vgg19(pretrained=True)
pretrained_net
VGG((features): Sequential((0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU(inplace=True)(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): ReLU(inplace=True)(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(6): ReLU(inplace=True)(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(8): ReLU(inplace=True)(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(11): ReLU(inplace=True)(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(13): ReLU(inplace=True)(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(15): ReLU(inplace=True)(16): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(17): ReLU(inplace=True)(18): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(19): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(20): ReLU(inplace=True)(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(22): ReLU(inplace=True)(23): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(24): ReLU(inplace=True)(25): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(26): ReLU(inplace=True)(27): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(29): ReLU(inplace=True)(30): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(31): ReLU(inplace=True)(32): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(33): ReLU(inplace=True)(34): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(35): ReLU(inplace=True)(36): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))(classifier): Sequential((0): Linear(in_features=25088, out_features=4096, bias=True)(1): ReLU(inplace=True)(2): Dropout(p=0.5, inplace=False)(3): Linear(in_features=4096, out_features=4096, bias=True)(4): ReLU(inplace=True)(5): Dropout(p=0.5, inplace=False)(6): Linear(in_features=4096, out_features=1000, bias=True))
)
为了抽取图像的内容特征和样式特征,我们可以选择VGG网络中某些层的输出。
一般来说:
- 越靠近输入层,越容易抽取图像的细节信息;
- 反之,则越容易抽取图像的全局信息。
为了避免合成图像过多保留内容图像的细节,我们选择VGG较靠近输出的层,即内容层,来输出图像的内容特征。我们还从VGG中选择不同层的输出来匹配局部和全局的样式,这些图层也称为样式层。正如vgg网络中所介绍的,VGG网络使用了5个卷积块。实验中,我们选择第四卷积块的最后一个卷积层作为内容层,选择每个卷积块的第一个卷积层作为样式层。这些层的索引可以通过打pretrained_net
实例获取。
style_layers, content_layers = [0, 5, 10, 19, 28], [25] # 越小越靠近输入(局部样式),越大越靠近输出(全局样式)
使用VGG层抽取特征时,我们只需要用到从输入层到最靠近输出层的内容层或样式层之间的所有层。下面构建一个新的网络net
,它只保留需要用到的VGG的所有层。
# 丢弃最大层之后的层
net = nn.Sequential(*[pretrained_net.features[i]for i in range(max(content_layers + style_layers) + 1)])
给定输入X
,如果我们简单地调用前向计算net(X)
,只能获得最后一层的输出。由于我们还需要中间层的输出,因此这里我们逐层计算,并保留内容层和样式层的输出。
def extract_features(X, content_layers, style_layers):"""输入X,获取内容层和样式层的输出"""contents = []styles = []for i in range(len(net)):X = net[i](X)if i in style_layers:styles.append(X)if i in content_layers:contents.append(X)return contents, styles# 因为训练的时候无需改变预训练的VGG的参数,所以我们可以在训练开始之前抽取内容特征和样式特征
# 由于合成图像是样式迁移时所需要迭代的模型参数,我们只能在训练过程中调用extract_features函数来抽取合成图像的内容特征和样式特征
def get_contents(image_shape, device):"""对内容图像抽取内容特征"""content_X = preprocess(content_img, image_shape).to(device)contents_Y, _ = extract_features(content_X, content_layers, style_layers)return content_X, contents_Ydef get_styles(image_shape, device):"""对样式图像抽取样式特征"""style_X = preprocess(style_img, image_shape).to(device)_, styles_Y = extract_features(style_X, content_layers, style_layers)return style_X, styles_Y
4. 定义损失函数
下面我们来描述样式迁移的损失函数。它由内容损失、样式损失和总变差损失3部分组成。
4.1 内容损失
与线性回归中的损失函数类似,内容损失通过平方误差函数衡量合成图像与内容图像在内容特征上的差异。平方误差函数的两个输入均为extract_features
函数计算所得到的内容层的输出。
def content_loss(Y_hat, Y):"""合成图像与内容图像在内容特征上的差异"""# 我们从动态计算梯度的树中分离目标:# 这是一个规定的值,而不是一个变量。return torch.square(Y_hat - Y.detach()).mean()
4.2 样式损失
对于样式,我们将其看作是像素点在每个通道统计分布,例如要匹配两张图片的颜色,我们的一个做法就是匹配这两张图片在RGB三个通道上的直方图。
样式损失与内容损失类似,也通过平方误差函数衡量合成图像与样式图像在样式上的差异。为了表达样式层输出的样式,我们先通过extract_features
函数计算样式层的输出。假设该输出的样本数为1,通道数为 c c c,高和宽分别为 h h h和 w w w,我们可以将此输出转换为矩阵 X \mathbf{X} X,其有 c c c行和 h w hw hw列。这个矩阵可以被看作是由 c c c个长度为 h w hw hw的向量 x 1 , … , x c \mathbf{x}_1, \ldots, \mathbf{x}_c x1,…,xc组合而成的。其中向量 x i \mathbf{x}_i xi代表了通道 i i i 上的样式特征。
在这些向量的格拉姆矩阵 X X ⊤ ∈ R c × c \mathbf{X}\mathbf{X}^\top \in \mathbb{R}^{c \times c} XX⊤∈Rc×c 中, i i i 行 j j j 列的元素 x i j x_{ij} xij 即向量 x i \mathbf{x}_i xi 和 x j \mathbf{x}_j xj 的内积。它表达了通道 i i i 和通道 j j j 上样式特征的相关性。我们用这样的格拉姆矩阵来表达样式层输出的样式。需要注意的是,当 h w hw hw的值较大时,格拉姆矩阵中的元素容易出现较大的值。此外,格拉姆矩阵的高和宽皆为通道数 c c c。为了让样式损失不受这些值的大小影响,下面定义的gram
函数将格拉姆矩阵除以了矩阵中元素的个数,即 c h w chw chw
def gram(X):num_channels, n = X.shape[1], X.numel() // X.shape[1] # channel为通道数,n为高宽乘积X = X.reshape((num_channels, n))return torch.matmul(X, X.T) / (num_channels * n)
自然地,样式损失的平方误差函数的两个格拉姆矩阵输入分别基于合成图像与样式图像的样式层输出。这里假设基于样式图像的格拉姆矩阵gram_Y
已经预先计算好了。
def style_loss(Y_hat, gram_Y):return torch.square(gram(Y_hat) - gram_Y.detach()).mean()
4.3 总变差损失
有时候,我们学到的合成图像里面有大量高频噪点,即有特别亮或者特别暗的颗粒像素。一种常见的降噪方法是总变差降噪:假设 x i , j x_{i, j} xi,j 表示坐标 ( i , j ) (i, j) (i,j) 处的像素值,降低总变差损失
∑ i , j ∣ x i , j − x i + 1 , j ∣ + ∣ x i , j − x i , j + 1 ∣ \sum_{i, j} \left|x_{i, j} - x_{i+1, j}\right| + \left|x_{i, j} - x_{i, j+1}\right| i,j∑∣xi,j−xi+1,j∣+∣xi,j−xi,j+1∣
能够尽可能使邻近的像素值相似。
def tv_loss(Y_hat):"""TV降噪,使得邻近像素值类似"""return 0.5 * (torch.abs(Y_hat[:, :, 1:, :] - Y_hat[:, :, :-1, :]).mean() +torch.abs(Y_hat[:, :, :, 1:] - Y_hat[:, :, :, :-1]).mean())
4.4 总损失加权
风格转移的损失函数是内容损失、风格损失和总变化损失的加权和
通过调节这些权值超参数,我们可以权衡合成图像在保留内容、迁移样式以及降噪三方面的相对重要性。
content_weight, style_weight, tv_weight = 1, 1e3, 10def compute_loss(X, contents_Y_hat, styles_Y_hat, contents_Y, styles_Y_gram):# 分别计算内容损失、样式损失和总变差损失contents_l = [content_loss(Y_hat, Y) * content_weightfor Y_hat, Y in zip(contents_Y_hat, contents_Y)]styles_l = [style_loss(Y_hat, Y) * style_weightfor Y_hat, Y in zip(styles_Y_hat, styles_Y_gram)]tv_l = tv_loss(X) * tv_weight# 对所有损失求和l = sum(10 * styles_l + contents_l + [tv_l])return contents_l, styles_l, tv_l, l
5. 初始化合成图像
在样式迁移中,合成的图像是训练期间唯一需要更新的变量。因此,我们可以定义一个简单的模型SynthesizedImage
,并将合成的图像视为模型参数。模型的前向计算只需返回模型参数即可。
class SynthesizedImage(nn.Module):def __init__(self, img_shape, **kwargs):super(SynthesizedImage, self).__init__(**kwargs)self.weight = nn.Parameter(torch.rand(*img_shape))def forward(self):return self.weight
def get_inits(X, device, lr, styles_Y):"""该函数创建了合成图像的模型实例,并将其初始化为图像 `X` 。样式图像在各个样式层的格拉姆矩阵 `styles_Y_gram` 将在训练前预先计算好。"""gen_img = SynthesizedImage(X.shape).to(device)gen_img.weight.data.copy_(X.data)trainer = torch.optim.Adam(gen_img.parameters(), lr=lr)styles_Y_gram = [gram(Y) for Y in styles_Y]return gen_img(), styles_Y_gram, trainer
6. 模型训练
在训练模型进行样式迁移时,我们不断抽取合成图像的内容特征和样式特征,然后计算损失函数。下面定义了训练循环。训练过程与传统的神经网络训练不同在于:
- 损失函数更加复杂
- 我们只对输入进行更新(意味着需要对输入X预先分配梯度)
- 我们可能会替换匹配内容和样式的层,调整他们之间的权重,以得到不同风格的输出。
- 仍然使用简单的随机梯度下降,但是每隔n次迭代减小一次学习率
def train(X, contents_Y, styles_Y, device, lr, num_epochs, lr_decay_epoch):X, styles_Y_gram, trainer = get_inits(X, device, lr, styles_Y)scheduler = torch.optim.lr_scheduler.StepLR(trainer, lr_decay_epoch, 0.8) # 依次降低学习率animator = d2l.Animator(xlabel='epoch', ylabel='loss',xlim=[10, num_epochs],legend=['content', 'style','TV'], ncols=2, figsize=(7, 2.5))for epoch in range(num_epochs):trainer.zero_grad()contents_Y_hat, styles_Y_hat = extract_features(X, content_layers, style_layers)contents_l, styles_l, tv_l, l = compute_loss(X, contents_Y_hat,styles_Y_hat, contents_Y,styles_Y_gram)l.backward()trainer.step()scheduler.step()if (epoch + 1) % 10 == 0:animator.axes[1].imshow(postprocess(X))animator.add(epoch + 1,[float(sum(contents_l)),float(sum(styles_l)),float(tv_l)])return X
# 现在我们[**训练模型**]:首先将内容图像和样式图像的高和宽分别调整为300和450像素,用内容图像来初始化合成图像。
device, image_shape = d2l.try_gpu(), (300, 450)
net = net.to(device)
content_X, contents_Y = get_contents(image_shape, device)
_, styles_Y = get_styles(image_shape, device)
output = train(content_X, contents_Y, styles_Y, device, 0.1, 500, 200)
plt.imshow(postprocess(output))
plt.savefig("test.png")
三、总结
- 样式迁移的损失包含三个部分
- 内容损失:使得合成图像与内容图像在内容特征上接近
- 样式损失:使得合成图像与样式图像在样式特征上接近
- 总变差损失:减少合成图像中的噪声点
- 可以通过预训练模型的卷积神经网络抽取图像的特征,并通过最小化损失函数来不断更新合成图像作为模型参数
- 使用拉格姆矩阵表达样式层的样式
这篇关于动手学深度学习(三十三)——样式迁移的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!