风格迁移转换的两种实现(含tensorflow和caffe环境搭建教程)

style-transfer

这个主要是利用caffe+model+code直接实现任意风格的转换。

最后实现需借助
- 一张风格图片
- 待转换风格的目标图片
- 训练模型

# coding
>>>python style.py -s <style_image> -c <content_image> -m <model_name> -g 0

优势：
- 可以实现任意风格的转换
- 可拓展性强
缺点：
- 耗时长（真的很长，如果用CPU的话）

fast-neural-style-tensorflow

风格快速迁移转换

顾名思义，这个比前者能够更快的进行风格转换，速度因机器而异，不过效率比前者确确实实提高了很多倍

最后实现需借助
- 一个训练好的风格模型
- 待转换的风格图片

# coding
>>> python eval.py --model_file <path of ckpt-done> --image_file <path of image>

优势：
- 速度相对来说很快
- 环境搭建相对来说更容易
缺点：
- 可拓展性更弱
- 只能转换固定几种风格
- 训练新风格模型时间长（比前者生成时间更长）

style-transfer的实现

环境介绍

Ubuntu16.04 + CPU + python2.7 + caffe

搭建caffe环境

介绍

Caffe是一个清晰而高效的深度学习框架。Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换。

优势：
- 上手快：模型与相应优化都是以文本形式而非代码形式给出。
Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。
- 速度快：能够运行最棒的模型与海量的数据。
Caffe与cuDNN结合使用，测试AlexNet模型，在K40上处理每张图片只需要1.17ms.
- 模块化：方便扩展到新的任务和设置上。
可以使用Caffe提供的各层类型来定义自己的模型。
- 开放性：公开的代码和参考模型用于再现。
- 社区好：可以通过BSD-2参与开发与讨论。

安装依赖

# caffe 依赖
>>>sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler  
>>>sudo apt-get install --no-install-recommends libboost-all-dev  
>>>sudo apt-get install libatlas-base-dev  
>>>sudo apt-get install libhdf5-serial-dev 
# Python 依赖
>>>sudo apt-get install python-dev  
>>>sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev  

安装caffe（可利用virtualenv新建一个纯净环境）

# 我们需要将caffe的源码下载下来，所以需要git
>>>sudo apt-get install git
# 下载代码
>>>git clone https://github.com/BVLC/caffe.git  
# 下载完成后，进入caffe文件夹
>>>cd caffe
# 安装caffe的python依赖
>>>for req in $(cat requirements.txt); do pip install $req; done  

配置caffe