学习笔记：图像风格迁移
所谓图像风格迁移，是指利用算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。著名的国像处理应用Prisma是利用风格迁移技术，将普通用户的照片自动变换为具有艺术家的风格的图片。这篇文章会介绍这项技术背后的原理，此外，还会使用TensorFlow 实现一个快速风格迁移的应用。
1 图像风格迁移的原理
1.1 原始图像风格迁移的原理
在学习原始的图像风格迁移之前，可以先回忆一下第二章学习过的ImageNet图像识别模型VGGNet。
事实上，可以这样理解VGGNet的结构：前面的卷积层是从图像中提取“特征”，而后面的全连接层把图片的“特征”转换为类别概率。其中，VGGNet中的浅层（如conv1_1，conv1_2），提取的特征往往是比较简单的（如检测点、线、亮度），VGGNet中的深层（如conv5_1、conv5_2），提取的特征往往是比较复杂（如有无人脸或某种特定物体）。
VGGNet的本意是输入图像，提取特征，并输出图像类别。图像风格迁移正好与其相反，输入特征，输出对应这种特征的图片，如图7-1所示。
具体来说，风格迁移使用卷积层的中间特征还原出对应这种特征的原始图像。如图7-2a所示，先选取衣服原始图像，经过VGGNet计算后得到各种卷积层特征。接下来，根据这些卷积层的特征，还原出对应这种特征的原始图像。图像b、c 、d 、e 、f 分别为使用卷积层conv1_2、conv2_2 、conv3 _2 、conv4_2 、conv5_2 的还原图像。可以发现：浅层的还原效果往往比较好，卷积特征基本保留了所高原始图像中形状、位置、颜色、纹理等信息； 深层对应的还原图像丢失了部分颜色和纹理信息，但大体保留原始图像中物体的形状和位置。
还原图像的方法是梯度下降法。设原始图像为，期望还原的图像为（即自动生成的图像）。使用的卷积是第层，原始图像在第层的特征为。表示卷积的第i个通道，j表示卷积的第j个位置。通常卷积的特征是三维的，三维坐标分别对应（高、宽、通道）。此处不考虑具体的高和宽，只考虑位置j，相当于把卷积“压扁”了。比如一个10x10x32的卷积特征，对应。对于生成图像，同样定义它在层的卷积特征为。
有了上面这些符号后，可以写出“内容损失”（Content Loss）。内容损失的定义是：
描述了原始图像和生成图像在内容上的“差异”。内容损失越小，说明他们的内容越接近；内容损失越大，说明他们的内容差距也越大。先使用原始图像计算出它的卷积特征，同时随机初始化。接着以内容损失为优化目标，通过梯度下降法逐步改变，进过一定的步数后，得到的是希望的还原图像了。在这个过程中，内容损失应该是越来越小了。
除了还原图像原本的“内容”之外，另一方面，还希望还原图像的“风格”。那么图像的“风格”应该用什么来表示呢？一种方法是使用图像的卷积层特征的Gram矩阵。
Gram矩阵是关于一组向量的内积的对称矩阵，例如，向量组的Gram矩阵是：
通常取内积为欧几里得空间上的标准内积， 即。
设卷积层的输出为，那么这个卷积特征对应的Gram矩阵的第i行第j个元素定义为
设在第l层中，卷积特征的通道数为，卷积的高、宽成绩数为，那么满足。G实际是向量组的Gram矩阵，其中
此处数学符号特较多，因此再举一个例子来加深读者对此Gram矩阵的理解。假设某一层输出的卷积特征为10x10x32，即它是一个宽、高均为10，通道数为32的张量。表示第一个通道的特征，它是一个100维的向量。表示第二个通道的特征，他同样是一个100维的向量，它对应的Gram矩阵G是
Gram矩阵可以在一定程度上反映原始图像的“风格”。仿照“内容损失”，还可以定义一个“风格损失”（Style Loss）。设原始图像为，要还原的风格图像为，先计算出原始图像某一层卷积的Gram矩阵为，要还原的图像经过同样的计算得到对应卷积层的Gram矩阵是，风格损失定义为
分母上的是一个归一化项，目的是防止风格损失的数量级相比内容损失过大。在实际应用中，常利用多层而非一层的风格损失，多层的风格损失是单层风格损失的加权累加，即，其中表示第层的权重。
利用风格损失，可以还原出图像的风格了，如图7-3所示，尝试还原梵高的著名画作《星空》的风格。
其中，图7-3b是由conv1_1的风格损失还原的，图7-3c是由conv1_1，conv2_1两层的风格损失还原的，图7-3d是由conv1_1，conv2_1，conv3_1，图7-3e为conv1_1，conv2_1，conv3_1，conv4_1风格损失还原的。使用浅层还原的“风格图像”的纹理尺度往往比较小，只保留了颜色和局部的纹理（如图7-3b）；组合深层、浅层还原出的“风格图像”更加真实且接近原图片（如图7-3f）。
总结一下，到目前为止介绍了两个内容：
- 利用内容损失还原图像内容
- 利用风格损失还原图像风格
那么，可不可以将内容损失和风格损失组合起来，在还原一张图像的同事还原里一张图像的风格呢？答案是肯定的，这是图像风格迁移的基本算法。
设原始的内容图像为，原始的风格图像为，待生成的图像为。希望可以保持内容图像的内容，同事具备风格图像的风格。因此组合的内容损失和的风格损失，定义总的损失函数为：
是平衡两个损失的超参数。如果偏大，还原的图像会更接近的风格。使用总的损失函数可以组合的内容和的风格，这实现了图像风格的迁移。部分还原的图像如图7-4所示。
以上是原始的图像风格迁移的基本原理。事实上，原始图像迁移的速度非常慢，在CPU上生成一张图片需要数十分钟甚至几个小时，即使在GPU上也需要数分钟才能生成一张较大的图片，这大大限制了这项技术的使用场景。速度慢的原因在于，要用总损失优化图片，这意味着生成一张图片需要几百步梯度下降的迭代，而每一步迭代都需要耗费大量的时间。从另一个角度看，优化可以看作是一个“训练模型”的过程，以往都是针对模型参数训练，而这里训练的目标是图片，而训练模型一般都比执行训练好的模型要慢得多。下一节将会讲到更实用的快速图像风格迁移，它把原来的“训练”的过程变成了一个“执行”的过程，因此大大加快了生成风格化图片的速度。
1.2 快速图像风格迁移的原理
原始的图像风格迁移用一个损失来衡量是否成功组合了的内容和的风格。然后以为目标，用梯度下降法来逐步迭代。因为在生成图像过程中需要逐步对优化，所以速度很慢。
快速图像风格迁移的方法是：不使用优化的方法来逐步迭代生成，而是使用一个神经网络直接生成。对应的网络结构如图7-5所示。
整个系统由两个神经网络组成，它们在图中由连个虚线框分别标出。左边的是图像生成网络，右边是损失网络。损失网络实际上是VGGNet，这与原始的风格迁移是一致的。同1.1节一样，利用损失网络来定义内容损失、风格损失。这个损失用来训练图像生成网络。图像生成网络的职责是生成某一种风格的图像，它的输入是一个图像，输出同样是一个图像。由于生成图像只需要在生成网络中计算一遍，所以速度比原始图像风格迁移快很多。
同样使用数学符号严格地阐述上面的过程：设输入的图像为，经过图像生成网络生成的图像为。在内容上应该与原始的内容图像接近，因此可以利用损失网络定义内容损失，内容损失使用的是VGG-16的relu3_3层输出的特征，对应图7-5中的。另一方面，我们还希望具有目标风格图像的风格，因此又可以定义一个风格损失。定义风格损失时使用了VGG-16的四个中检出呢个relu1_2，relu2_2，relu3_3，relu4_3，对应图中的。同样组合这两个损失得到一个总损失。利用总损失可以训练图像生成网络。训练完成后直接使用图像生成网络生成图像。值得一提的是，在整个训练过程中，一般只是固定使用一种风格，而图像内容取和输入一样，即。
2 在TensorFlow 中实现快速风格迁移
在本节中，首先会介绍代码结构，然后讲解如何使用预训练的模型，以及如何自己训练模型，最后说明该项目的一些实现细节。
快速图像风格迁移的项目结构见表7-2
该项目建立在另一个开源项目TensorFlow Slim的基础上，TensorFlow Slim是基于TensorFlow的一个开源图像分类库，它定义了常用的ImageNet模型。而其中的VGG16模型正式在定义损失网络时要用到的。
在运行项目前，请确保使用python 2.7版本和TensorFlow大于1.0的版本。并需要安装pyyaml库，安装方法是：
pip install pyyaml2.1 使用预训练模型
在chapter_7_data/中提供了7个预训练模型：wave.ckpt-done、cubist.ckpt-done、denoised_starry.skpt-done、mosaic.ckpt-done、scream.ckpt-done、feathers. ckpt-done。回到源码目录chapter_7/，在其中新建一个model文件夹，然后把需要使用的模型文件复制到这个文件夹models/wave.ckpt-done。接下来运行下面的命令可以生成一张风格化图像了：
python eval.py --model_file models/wave.ckpt-done --image_file img/test.jpg–model_file后面指定了与训练的模型的文件位置。如果没有把预训练模型保存为models/wave.ckpt-done，也可以自行替换为相应的文件位置。–image_file表示需要进行风格化的图像，在这里指定的是img目录下名为
test.jpg 的示例图像），也可以使用自己的图像进行尝试，同样只需要指定合适的文件位置即可。
运行上述命令后，成功风格化的图像会被写到generated/res.jpg 。我们可以打开该文件进行查看。除了模型wave.ckpt-done ，还可以运行其他的预训练、模型。七个预训练模型及其风格化图片效果见表7-3 。
| 模型名称 | 来源介绍 | 原始风格图像 | 风格化后的图像 |
|---|---|---|---|
| wave | 葛饰北斋的著名画作《神奈川冲浪里》 | ||
| cubist | 现代艺术图片 | ||
| denoised_starry | 梵高的著名画作《星空》 | ||
| mosaic | 镶嵌玻璃装饰图 | ||
| scream | 爱德华*蒙克著名画作《呐喊》 | ||
| feathers | 树叶艺术图片 | ||
| udnie | 弗朗西斯*卡比亚的画作《udnie Young American Girl》 |
2.2 训练自己的模型
如何训练自己的图像生成模型呢？这里以wave为例，介绍训练模型的全过程。
在训练之前，需要完成两项前期准备工作。首先下载VGG16模型，将下载到的压缩包解压后会得到一个vgg16.ckpt文件。在chapter_7/中新建一个文件夹pretrained，并将vgg16.ckpt复制到pretrained文件夹中。最后文件的路径是pretrained/vgg16.ckpt。另外需要下载COCO数据集。将该数据集解压后会得到一个train2014文件夹，其中应该含有大量jpg格式的图片。Windows用户请将该文件夹移动到chapter_7/中。Linux用户可以不用移动，只要在chapter_7/中使用下面的命令，简历到train2014文件夹的符号连接可以了：
ln -s <到train2014文件夹的路径> train2014接下来可以训练模型了。以模型wave为例，对应的训练命令是：
python train.py -c conf/wave.yml该命令放入含义是利用已经写好的conf/wave.yml文件来训练模型。wave.yml为配置文件，内容为：
## Basic configuration 基础配置
style_image: img/wave.jpg # targeted style image 指定原始的风格图像
# 这个模型的名字，一般和图像名称保持一致。这个名字决定了checkpoint和events文件的保存文件夹
naming: "wave" # the name of this model. Determine the path
to save checkpoint and events file.
# checkpoint和events文件保存的根目录。最后所有的checkpoint和events文件会被保存在<model_path>/<naming>下
model_path: models # root path to save checkpoint and events file. The final path would be <model_path>/<naming>
## Weight of the loss 各损失权重
content_weight: 1.0 # weight for content features loss内容损失的权重
style_weight: 220.0 # weight for style features loss风格损失权重
# 损失的权重。这是原论文中提到的一个损失。在这个项目中发现设定它的权重为0也不会影响收敛，所以没有提及
tv_weight: 0.0 # weight for total variation loss
## The size, the iter number to run
image_size: 256 #训练原始图像大小
batch_size: 4 #一次batch的样本数
epoch: 2 # 跑的epoch的运行次数
## Loss Network 损失网络
loss_model: "vgg_16" #使用vgg_16模型
content_layers: # use these layers for content loss使用conv3_3定义内容损失
- "vgg_16/conv3/conv3_3"
style_layers: # use these layers for style loss使用这些卷积层定义风格损失
- "vgg_16/conv1/conv1_2"
- "vgg_16/conv2/conv2_2"
- "vgg_16/conv3/conv3_3"
- "vgg_16/conv4/conv4_3"
checkpoint_exclude_scopes: "vgg_16/fc" # we only use the convolution layers, so ignore fc layers.我们只用到卷积层，所以不需要fc层
loss_model_file: "pretrained/vgg_16.ckpt" # the path to the checkpoint # 预训练模型vgg_16.ckpt对应的位置如果我们希望训练新的“风格”，可以选取一张风格图片，并编写新的yml配置文件。其中，需要把style_image修改为新图片所在位置，并修改对应的naming。这样就可以进行训练了。最后，可以使用训练完成的check【oint生成图片。杂训练新的“风格”时，有可能会需要调整个个损失之间的权重。调整的方法在下一节中进行叙述。
2.3 在TensorBoard中监控训练情况
在训练过程中，可以打开TensorBoard监控训练情况。仍以wave模型为例：
tensorboard --logdir models/wave/访问http://localhost:6006即可打开Tensorboard的主页面。训练时最先关心的应该是损失损失下降的情况。损失主要由风格损失、内容损失两项构成。展开loss选项卡可以看到损失的变化情况，如图7-7所示：
center_loss和style_loss分别对应了内容损失和风格损失，中间的regularizer_loss可以暂时不用理会。最理想的情况是content_loss和style_loss随着训练地不断下降。在训练的初期可能会出现只有style_loss下降而content_loss上升的情况，不过这是暂时的，最后两个损失都会出现较为稳定的下降。
当训练新的“风格”时，再时可能还会需要调整配置文件中的content_ weight 和style_ weight 。当content_weight 过大时，观察到的generated图像会非常接近原始的origin图像。而style_ weight 过大时，会导致图像过于接近原始的风格图像，此时的generated 图像如图7-9 所示，几乎看不到origin图像的内容。在训练时，需要合理调整style_weight和content_weight的比重。
2.4 项目实现细节
最后讨论项目的细节。该项目使用了两个网络，即损失网络与生成网络。损失网络为VGG16模型，用的是TensorFlow Slim中已经写好的代码，图像生成网络可以自己进行定义。
1. 损失网络、图像生成网络的定义与引用
损失网络使用TenorFlow Slim 的VGG16模型， 它的实际定义位置是在nets/vgg.py文件中，不过没再必要知道它的详细源码，只需要了解是如何在
训练过程中引用它的。
而图像生成网络在models.py 中定义，它的关键代码如下：
# 定义图像生成网络
def net(image, training):
# 一开始在图片的上下左右加上一些额外的“边框”，目的是消除边缘效应
# Less border effects when padding a little before passing through ..
image = tf.pad(image, [[0, 0], [10, 10], [10, 10], [0, 0]], mode='REFLECT')
# 三层卷积层
with tf.variable_scope('conv1'):
conv1 = relu(instance_norm(conv2d(image, 3, 32, 9, 1)))
with tf.variable_scope('conv2'):
conv2 = relu(instance_norm(conv2d(conv1, 32, 64, 3, 2)))
with tf.variable_scope('conv3'):
conv3 = relu(instance_norm(conv2d(conv2, 64, 128, 3, 2)))
# 仿照ResNet定义一些跳过连接
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)
# 定义卷积之后定义反卷积
# 反卷积不采用通常的转置卷积的方式，而是采用先放大，在做卷积的方式
# print(res5.get_shape())
with tf.variable_scope('deconv1'):
# deconv1 = relu(instance_norm(conv2d_transpose(res5, 128, 64, 3, 2)))
deconv1 = relu(instance_norm(resize_conv2d(res5, 128, 64, 3, 2, training)))
with tf.variable_scope('deconv2'):
# deconv2 = relu(instance_norm(conv2d_transpose(deconv1, 64, 32, 3, 2)))
deconv2 = relu(instance_norm(resize_conv2d(deconv1, 64, 32, 3, 2, training)))
with tf.variable_scope('deconv3'):
# deconv_test = relu(instance_norm(conv2d(deconv2, 32, 32, 2, 1)))
deconv3 = tf.nn.tanh(instance_norm(conv2d(deconv2, 32, 3, 9, 1)))
# decanv3是经过tanh函数得到的输出值，所以它的值域范围是-1~1
# 知道RGB图像的像素范围是0~255，所以这里对deconv3进行这样的缩放
y = (deconv3 + 1) * 127.5
# Remove border effect reducing padding.
# 最后取出一开始为了防止边缘效应而加入的“边框”
height = tf.shape(y)[1]
width = tf.shape(y)[2]
y = tf.slice(y, [0, 10, 10, 0], tf.stack([-1, height - 20, width - 20, -1]))
return y图像生成网络的原理主要是先对图像卷积计算，然后再进行“反卷积”计算。相当于对图像进行编码，然后再还原为图像。在“反卷积”的过程中，一般使用转置卷积，但在这里可能会导致一些堆叠噪声。此处，使用resize_conv2d来代替转置卷积，它的原理是先对图片放大，然后再进行卷积计算。此外，还有一些提高图像质量的小技巧。比如使用所谓的instance
normalization 代替常用的batch normalization 。关于instance normalization 、转置卷积的详细原理，可以参阅相关资料进行了解，这里不再详细展
开了。
定义好图像生成网络和损失网络后，可以在训练时引用。相应的代码在train.py 文件中：
# network_fn是损失网络的函数。因为不需要对损失函数训练，所以is_training = False
network_fn = nets_factory.get_network_fn(
FLAGS.loss_model,
num_classes=1,
is_training=False)
# 损失网络中要用的图像的预处理函数
image_preprocessing_fn, image_unprocessing_fn = preprocessing_factory.get_preprocessing(
FLAGS.loss_model,
is_training=False)
# 读入训练图像
processed_images = reader.image(FLAGS.batch_size, FLAGS.image_size, FLAGS.image_size,
'train2014/', image_preprocessing_fn, epochs=FLAGS.epoch)
# 此处引用图像生成网络。model.net是图像生成网络,generated是生成的图像
# 设置training = True，因为要训练该网络
generated = model.net(processed_images, training=True)
# 将生成的图像generated同样使用image_preprocessing_fn进行处理
# 因为generated同样需要送到损失网络中计算loss
processed_generated = [image_preprocessing_fn(image, FLAGS.image_size, FLAGS.image_size)
for image in tf.unstack(generated, axis=0, num=FLAGS.batch_size)
]
processed_generated = tf.stack(processed_generated)
# 将原始图像、生成图像送到损失网络中
# 这里将它们合并后再送到网络中计算，因为同一的计算可以加快速度
# 将原始图像、生成图像送到损失网络并计算后，将使用结果endpoints_dict 计算损失
_, endpoints_dict = network_fn(tf.concat([processed_generated, processed_images], 0), spatial_squeeze=False)2. 内容损失和风格损失的定义
损失的定义基本由文件loss .py中的函数完成。先来介绍如何定义内容损失：
# endpoints_dict是上一节提到的损失网络各层的计算结果
# content_layers是定义使用哪些层的差距计算损失，默认配置是conv3_3
def content_loss(endpoints_dict, content_layers):
content_loss = 0
for layer in content_layers:
# 上一节中把生成的图像、原始图像同时传入损失网络中计算
# 所以这里先把他们区分开
# 读者可以参照函数tf.concat与tf.split的文档理解此处的内容
generated_images, content_images = tf.split(endpoints_dict[layer], 2, 0)
size = tf.size(generated_images)
# 所谓的内容损失，是生成图片generated_images与原始图片**content_images的L*L距离
content_loss += tf.nn.l2_loss(generated_images - content_images) * 2 / tf.to_float(size) # remain the same as in the paper
return content_loss在看如何定义风格损失：
# 定义风格损失
# style_layers为定义使用哪些层计算风格损失。默认为conv1_2、conv2_2、conv3_3、conv4_3
# style_features_t是利用原始的风格图片计算的层的**
# 如在wave模型中是img/wave.jpg计算的**
def style_loss(endpoints_dict, style_features_t, style_layers):
style_loss = 0
# summary是为TensorBoard服务的
style_loss_summary = {}
for style_gram, layer in zip(style_features_t, style_layers):
# 计算风格损失，只需要计算生成图片generated_imgs与目标风格
# style_features_t的差距。因此不需要取出content_images
generated_images, _ = tf.split(endpoints_dict[layer], 2, 0)
size = tf.size(generated_images)
# 调用gram函数计算Gram矩阵。风格损失定义为生成图片与目标风格Gram矩阵的L*L的Loss
layer_style_loss = tf.nn.l2_loss(gram(generated_images) - style_gram) * 2 / tf.to_float(size)
style_loss_summary[layer] = layer_style_loss
style_loss += layer_style_loss
return style_loss, style_loss_summary在train.py中，直接利用上面的函数可以得到总的损失：
"""Build Losses"""
# 定义内容损失
content_loss = losses.content_loss(endpoints_dict, FLAGS.content_layers)
# 定义风格损失
style_loss, style_loss_summary = losses.style_loss(endpoints_dict, style_features_t, FLAGS.style_layers)
# 定义tv损失，该损失在实际训练中并没有被应道，因为在训练时都采用tv_weight=0
tv_loss = losses.total_variation_loss(generated) # use the unprocessed image
# 总损失是这些损失的加权和，最后利用总损失优化图像生成网络即可
loss = FLAGS.style_weight * style_loss + FLAGS.content_weight * content_loss + FLAGS.tv_weight * tv_loss3. 确定训练、保存的变量
在本项目中，**只需要训练圄像生成网络中的变量，而不需要训练损失网
络中的变量**。在把模型保存成checkpoint时，也只需要保存图像生成网络中的变量。TenorFlow会默认训练、保存所有变量，因此必须把需要训练和需要保存的变量找出来，这也是本项目中的一个注意点。对应的代码同样在
train.py中：
# 找出需要训练的变量
variable_to_train = []
# 使用tf.trainable_variables()找出所有可训练的变量
for variable in tf.trainable_variables():
# 如果不在损失网络中，把它们加入列表variable_to_train
if not(variable.name.startswith(FLAGS.loss_model)):
variable_to_train.append(variable)
# 定义训练步骤时指定var_list=variable_to_train。这样不会训练损失网络
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss, global_step=global_step, var_list=variable_to_train)
# 找出所有需要保存的变量
variables_to_restore = []
# 用tf.global_variable()找出所有变量
for v in tf.global_variables():
# 不在损失网络中则加入列表variables_to_restore
if not(v.name.startswith(FLAGS.loss_model)):
variables_to_restore.append(v)
# 定义saver时指定只会保存variables_to_restore
saver = tf.train.Saver(variables_to_restore, write_version=tf.train.SaverDef.V1)3 总结
这篇文章首先详细介绍了原始图像风格迁移的基本原理，其中内容损失、风格损失两种损失函数的定义尤为关键。接着介绍了快速图像风格迁移的原理，并学习了如何使用TenorFlow实现快速图像风格迁移。最后一起研究了项目中的一些实现细节。相信通过这篇文章的介绍，我们可以基本掌握风格迁移这一领域的基本思想与TenorFlow中相应的实现方法。