深度学习之风格迁移具体实现

最新推荐文章于 2024-10-13 17:16:39 发布

繁华三千东流水

最新推荐文章于 2024-10-13 17:16:39 发布

阅读量733

点赞数 1

分类专栏： tensorflow下的深度学习算法思想及实现深度学习项目练习文章标签：卷积神经网络 VGG-16模型深度学习图像风格迁移

本文链接：https://blog.csdn.net/qq872890060/article/details/100760045

版权

本文介绍了使用深度学习中的VGG-16模型进行图像风格迁移的实践过程，包括加载预训练的npy文件，构建网络架构，并展示了内容图片、风格图片及最终的合成效果。

摘要由CSDN通过智能技术生成

npy文件

在网上可以下载到关于VGG-16的npy文件，这个是已经训练好的模型，文件保存的是训练好的相关参数，大约1.3亿个参数。npy文件，是以python的nupmy保存的文件，可以使用numpy来提取。

import numpy as np
data = np.load(r'D:\BaiduNetdiskDownload\vgg16.npy',allow_pickle=True,encoding='latin1')

dict_data = data.item()
print(dict_data.keys())
'''
效果：可以打印出每个卷积层和全连接的名字，通过其可以提取到对应的权重和偏置
dict_keys(['conv5_1', 'fc6', 'conv5_3', 
'conv5_2', 'fc8', 'fc7', 'conv4_1', 
'conv4_2', 'conv4_3', 'conv3_3',
 'conv3_2', 'conv3_1', 'conv1_1', 
 'conv1_2', 'conv2_2', 'conv2_1'])

'''

构建网络架构

'''
	构建网络架构200多行代码，主体为： 读取要转换的原图
								   构建模型类，
								   然后调用模型类
								   构建损失函数
								   梯度下降
								   开启会话
								   执行训练
								   保存图片
'''
import os
import numpy as np
import tensorflow as tf
from PIL import Image
import time

# 超参数
VGG_MEAN = [103.939, 116.778, 123.68]
path_Vgg16 = 'vgg16.npy' # vgg16.npy模型所在路径
output_dir = './run_style_trainsfer'
if not os.path.exists(output_dir):
    os.mkdir(output_dir)
num_steps = 201
learning_rate = 10
lambda_c = 1
lambda_s = 20


# 读取图片（其中做个两个技巧：
#							1，将不是rgb格式的图片转为rgb格式
#							2，重新设置图片的尺寸为：224,224,3）
def read_img(img_name):

    img = Image.open(img_name)
    # 因为使用的是vgg16模型，所以图片像素格式为：224,224,3 如果不是，需要事先处理
    if img.mode != "RGB":
        img = img.convert("RGB")

    # 设置尺寸
    img = img.resize((224, 224), Image.ANTIALIAS)
    np_img = np.array(img) # 224.224.3
    np_img = np.asarray([np_img],dtype=np.int32) # 1,224,224,3
    return np_img


# 内容图像[[[]]]
content_val = read_img(input('请输入内容图片名：'))
# 风格图像
style_val = read_img(input('请输入风格图片名：'))


# 获得一个初始化的矩阵
def initial_result(shape,mean,stddev):
    initial = tf.truncated_normal(shape,mean=mean,stddev=stddev)
    return tf.Variable(initial)


# 初始化合成后图片数字矩阵
result = initial_result((1,224,224,3),127.5,20)


# 构建VGG神经网络模型
class VGGNet:
    def __init__(self, data_dict):
        self.data_dict = data_dict

    # 获取卷积层卷积核
    def get_conv_filter(self, name)