随心情填坑。
0.背景
因为公司项目有个需求需要用到styleclip，所以就去了解了一下。这项技术就是可以通过clip输入文字，对生成的图片产生一定影响，从而生成符合描述的图片，或者，描述为图像编辑，将一张苦瓜脸变为笑脸。我这边的项目需要将该项目改为对其他目标的编辑，不是脸，但是这里就不仅仅是更改数据集这么简单了。
https://github.com/dvschultz/stylegan2-ada-pytorch用到的styleclip项目：
1.stylegan
感觉stylegan应该不用我介绍，网上一搜一大堆，这里推荐看以下几篇
https://zhuanlan.zhihu.com/p/263554045这两篇是同一位大神写的，感觉讲解的还是非常透彻的，为方便下面的内容的理解，这里简单说一下网络结构，就不附图了。
首先是GAN网络，必然是分为两个大部分，分别是生成网络和判别网络，在stylegan的生成网络中，又分为两个部分，分别成为mapping和synthesis，前者是输入一段噪声生成latent，成为Z空间到W空间，后者是接收latent以及噪声，再生成图片。这里说的非常简略啊，感兴趣需要去详细了解一下，其中synthesis这个，内部有好几个block，每个block又有好几个layer，每个layer都需要接收这个latent，用意应该就是对生成图片进行干预，来生成希望的图片，而噪声就是为了对图片进行细调，比如有几根头发啊，几条皱纹啥的，增加一些波动性。个人理解。
2.styleclip
这个项目，上面第二篇已经有过介绍了，但是对于具体的方法不是特别详细，只讲了一些原理，这里增加一篇实战：
这位博主这个系列都还不错，建议都看一下，我主要是看了二和三。
对于styleclip，这篇论文一共提出了三种方法，我这边试过第一个和第三个，该项目都有提供代码，有的可能需要自己debug一下，比如第一种，optimization的方法，他默认是不使用id_loss的，但是默认又需要加载这个权重，这样的话如果没有该权重就会报错，就直接注释掉就可以了，因为默认这个loss没有使用到，代码搜索id_loss就能看到。
对于 第三种方法，是我领导最为感兴趣的方法，他觉得就是训练好stylegan之后，通过结合clip，不需要再训练啊标注啥的就能达到比较好的效果。但是这里有个问题是，项目的源码提供的是针对tf的权重来进行的，而我现有的权重是pytorch的，要怎么玩呢。
于是出现另外一个项目hyperstyle，他也提供了两种编辑latent的方法，其中一个就是global direction。说明一下，该项目默认支持的不是我发的那个stylegan的项目，但是有提供代码来转换权重，转换代码没有仔细看，应该就是对各个网络层的名字转换了一下而已，我用的那个是ada，而默认的是原版，大概就是这样。这里其实我已经在坑里了，自己没有想明白而已。
hyperstyle的global direction说的很明确，需要几个npy，简单说一下，需要待转换图片的latent和style，这两个npy文件，可以通过hyperstyle得到，跑一边inference就可以了，这里他也需要一些输入，但是比较好弄，就不多说了，他的主要目的就是反演图像为latent code，据说会有点耗时，这部分以及上一级的stylegan都是由我同事负责的；然后他还需要通过stylegan来生成两个文件，分别是s_mean_std和fs3.npy，其中后者的生成过程就需要前者，所以两个可以说一起生成的。
3.生成文件
生成文件碰到的难题是什么，hyperstyle没有提供如何生成的代码，而styleclip的项目里有，可惜是针对tf的权重的，不软那个项目在这篇文里就没有任何意义了。我这边采用的是，将tf的代码平替为pytorch的，就是tf用了啥功能，在pytorch中找替代就可以了。这里主要用到GetCode.py这个文件，修改的是他里面的函数，流程和参数主要参考上面提及的那个实战的博文。
根据操作步骤，先要生成W.npy，生成就是通过mapping部分，输入随机生成的tensor，得到W，代码如下，注释的是源代码部分，也有我改过又注释了的。
@torch.no_grad()
def GetCode(Gs,random_state,num_img,num_once,dataset_name):
rnd = np.random.RandomState(random_state) #5
truncation_psi=0.5
truncation_cutoff=8
# dlatent_avg=Gs.mapping.w_avg
dlatents=[]#np.zeros((num_img,512),dtype='float32')
for i in tqdm(range(int(num_img/num_once))):
src_latents = torch.randn([num_once, Gs.z_dim]).cuda()
src_dlatents = Gs.mapping(src_latents, None, truncation_psi=truncation_psi, truncation_cutoff=truncation_cutoff) # [seed, layer, component]
# # Apply truncation trick.
# if truncation_psi is not None and truncation_cutoff is not None:
# layer_idx = np.arange(src_dlatents.shape[1])[np.newaxis, :, np.newaxis]
# ones = np.ones(layer_idx.shape, dtype=np.float32)
# coefs = np.where(layer_idx < truncation_cutoff, truncation_psi * ones, ones)
# coefs = torch.from_numpy(coefs).cuda()
# src_dlatents_np=lerp(dlatent_avg, src_dlatents, coefs)
# src_dlatents=src_dlatents_np[:,0,:]
dlatents.append(src_dlatents[:,0,:])
dlatents = torch.cat(dlatents, dim=0)
dlatents = dlatents.cpu().numpy().astype('float32')
print('get all z and w')
tmp='./npy/'+dataset_name+'/W'
np.save(tmp,dlatents)在tf的代码中，得到结果后还做了一个lerp这个函数的操作，不太明确是要干啥，因为看到pytorch这边好像本来就是做了这个处理，所以直接注释了。如果想要完全按照原逻辑来的话，可以打开注释，再微调一下，这里dlatent_avg这个参数，我在pytorch这边找到一个可能对应的东西，反正函数不会报错。他的结果的shape，原本应该是b*14*512（我这边只有14哈，原始脸的应该是18），然后我发现他只取了第一个，挺奇怪的，输出看了下，发现他的值，前7个和后7内容是一样的，不知道是不是做了下平均，我没有深究，即使按照他的套路来做，也是前一半和后一半是不一样的，可能后半段不需要吧。
保存完毕后，后面会需要生成一个文件S，我的代码如下
@torch.no_grad()
def GetS(dataset_name,num_img):
print('Generate S')
tmp='./npy/'+dataset_name+'/W.npy'
dlatents=np.load(tmp)[:num_img]
Gs=LoadModel(dataset_name)
# Gs.print_layers() #for ada
model=G_synthesisNetwork(Gs.synthesis)
dlatents=dlatents[:,None,:]
dlatents=np.tile(dlatents,(1,Gs.synthesis.num_ws,1))
all_s = {}
once = 20
for i in tqdm(range(num_img//once)):
src_dlatents = torch.from_numpy(dlatents[i*once:(i+1)*once]).cuda()
s = model(src_dlatents, noise_mode='const', force_fp32=True)
for k ,v in s.items():
if k not in all_s:
all_s[k] = []
all_s[k].append(v)
layer_names=[layer for layer in all_s]
all_s = [torch.cat(all_s[l], dim=0).cpu().numpy() for l in layer_names]
save_tmp=[layer_names,all_s]
return save_tmp这里可以看到，是先要加载上面的W.npy的，然后很自然想要他是想要使用synthesis部分，这里的W.npy，他加载之后又扩展到需要的大小，那为啥之前要只取其中一个呢，不知道，可能为了节省空间吧。这里我的显卡显存有限，所以他原本是一次性得到全部的内容，我这边是用了一个循环。这边有个核心问题是，懒得贴原始代码了，简单描述就是他用tf权重，然后筛选出需要得到结果的网络层的名字，然后run一下就行了，惨的是，pytorch好像没有这个功能，踩完坑了，说一下，他需要的是每一次卷积时的style，变量名就叫style，他应该是每个layer中，会需要将输入的w经过一个仿射变换（FullyConnectedLayer）得到style，然后在处理。因为我用的那个stylegan的加载方式是下面这样的，这也是该项目自己使用的方法。
def LoadModel(model_name):
with open(model_name, 'rb') as f:
Gs = pickle.load(f)['G_ema'].cuda()
return Gs由于懒得去改代码，找到去怎么搭建网络，再load state啥的，就沿着这个方法来往下走，但是原来的网络结构中，没有留出空间去返回我想要的值，上面代码的可以看到，我是自定义了一个类，然后输入这个Gs，类的的定义如下，这个定义主要就是复制了原始的网络的定义，然后在forward里，将self改为self.model，这样的话，原来代码里需要用到的变量会通过self.model调用到，包括网络，这么做的主要目的就是微调代码，来增加原来没有的输出。
class G_synthesisNetwork(nn.Module):
def __init__(self, model):
super(G_synthesisNetwork, self).__init__()
self.model = model
@torch.no_grad()
def forward(self, ws, **block_kwargs):
block_ws = []
with torch.autograd.profiler.record_function('split_ws'):
misc.assert_shape(ws, [None, self.model.num_ws, self.model.w_dim])
ws = ws.to(torch.float32)
w_idx = 0
for res in self.model.block_resolutions:
block = getattr(self.model, f'b{res}')
block_ws.append(ws.narrow(1, w_idx, block.num_conv + block.num_torgb))
w_idx += block.num_conv
x = img = None
outs = {}
for res, cur_ws in zip(self.model.block_resolutions, block_ws):
block = getattr(self.model, f'b{res}')
block = G_synthesisBlock(block)
x, img, style_conv0, style_conv1, style_torgb = block(x, img, cur_ws, **block_kwargs)
if style_conv0 is not None:
outs[f"synthesis.b{res}.conv0"] = style_conv0
outs[f"synthesis.b{res}.conv1"] = style_conv1
outs[f"synthesis.b{res}.torgb"] = style_torgb
return outs原始的网络结构链接是network，上面是synthesisnetwork的类，还有block和layer都是这么操作的，就不贴了，只能说我知道这么写很low，但是这是我一下子就想到的，最省脑细胞的方法了，就是复制一下就完了。
这样的话，生成S就能够执行了，需要注意的是，这个S需要的是网络层的名字和输出，且是一一对应的，后面会用到，网络层的名字是有顺序的，最好按照conv0,conv1,torgb这样的顺序来，其中第一个block没有conv0。
生成s_mean_std文件，这个方法其实就是先生成S然后对S中的数据分别去mean和std再保存就好了，为啥不在上一步获得S的时候一起做呢，在原始代码中就是分两步，而且传递的数量也不同。简单的提一下，上面的获取S的代码中，有个变量once，是控制每个循环每次做多少个的，这里发现，在我这边，不是越大越好，设置20时的总耗时比设置为50的耗时少了好几倍。
到此，已经得到W.npy，S，s_mean_std三个文件了，按照流程，接下来需要参考SingleChannel.py这个来生成最终的fs3.npy文件了。根据上面的流程，那这个的操作就非常简单，非常类似，就不细说了，只提几个要点
首先是，代码中对于torgb层的判断是用的大写，注意修改，他的目的是区分哪些是torgb层；
然后是，tf的代码中，是说有的层需要加入噪声的，这次要改为随机造成，主要看代码的话，可以看到上面的生成用的不是随机噪声哦，在pytorch这边，因为原本就有参数控制噪声类别，所以就省略了；
最后，有个生成图片的函数中，需要传递编辑过的latent，所谓编辑就是将这个值分别乘了-5和5，具体逻辑可以看看代码，反正就是放回去的时候，主要要按照网络名来放，所以这里我又是复制了大段的网络定义，这次又修改为增加了一个传递参数，layer里面的style通过传参得到，仿射变换不用做了，大概就是下面这样
for res, cur_ws in zip(self.model.block_resolutions, block_ws):
block = getattr(self.model, f'b{res}')
block = G_synthesisBlock(block)
if f"synthesis.b{res}.conv0" in names:
style_conv0 = datas[names.index(f"synthesis.b{res}.conv0")]
else:
style_conv0 = None
style_conv1 = datas[names.index(f"synthesis.b{res}.conv1")]
style_torgb = datas[names.index(f"synthesis.b{res}.torgb")]
x, img = block(x, img, cur_ws, style_conv0, style_conv1, style_torgb, **block_kwargs)
return img这个操作是非常耗时的，因为他是需要将latent的每个维度都要变化一下，这里摘抄一下上面提到的实战的博文的原文
论文中给出的方法是：取100个图像，对StyleGAN2输出的feature maps中的具体某一个channel，先求出其在100个图像上的平均值，保持其他channel不变，在该channel上分别加上正/负五倍均方差大小的扰动，对应生成100x2=200个图像，分别计算其在CLIP模型中的feature，算出100对图像feature的差值，并进行规格化，得到StyleGAN2输出的feature maps中的每一个channel变化时与图像CLIP语义的关联系数
这样，当输入一段有变化的CLIP文本时，首先生成图像CLIP语义的变化量，然后用这个变化量与上文提到的关联系数 Δic 相乘，得到StyleGAN2 feature maps中的每一个channel上的变化值，将该变化值与原始图片的feature maps相加，最后用预训练模型生成风格编辑后的新图像。
以上，就能够生成四个文件了，得到这四个之后，就可以在hyperstyle中使用global direction了，当然前提要先跑一下他的inference哈，得到输入图片的latent。
但是这个方法啊，我试了下脸的，用的就是官方提供的文件，然后，对于官方提供的图片，效果还是非常不错的，但是对于自己找的图片，效果比较一般，当然这个可能也是这个hyperstyle的反演功能我没有弄好，跑得次数不够或是啥吧，这个是其他同事负责的，然后用我这边自己跑的stylegan权重，不能说完全没效果，但是还是比较微妙，这个也可能是我的gan没有训练非常收敛，或者还是hyperstyle没有跑收敛啥的，又或者gan嘛，效果就那样，好的非常好，差的非常差，这也是我一直以来的观点，GAN的效果非常不稳定，也就是写写论文，真要拿来做项目，比较难以控制，最后贴几张做的脸部的global direction，第一张是官方的，后面是找的外部的图片，需要严正声明的是，原图是正常的图片，但是网络生成的像是被打后的状态，我也不明白为啥，真是难为他了，不过对于smile，至少还是做到了。。。好担心这么放出会被打，求轻喷
最后
提一下，为啥上面说自己在坑底，因为感觉这篇文的精华，就是说怎么把tf的代码改为pytorch，而且非常繁琐，后来发现，hyperstyle不是要转权重嘛，转了之后，他也有提供一个网络结构的文件model.py感觉就是考虑非常全面，对于需要传参和取值这方面都有预留啊，导致上面的篇幅大部分是没有用的，还想出各种骚操作，我只需要转一下权重，然后按照新的stylegan的流程来做就可以了。
所以这篇文章，连记录的意义都没有，完全就是对自己做的无用功的一次不服，，，
2449
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
