j建设局域网网站,吴江网站设计,郑州住房城乡建设官网,做宝宝衣服的网站一、什么是风格迁移#xff1f;
风格迁移#xff08;Style Transfer#xff09;是一种利用深度学习技术#xff0c;将一幅图像的内容与另一幅图像的艺术风格相结合#xff0c;生成新图像的技术。其核心思想是将图像的“内容”和“风格”分离#xff0c;再重新组合#…一、什么是风格迁移
风格迁移Style Transfer是一种利用深度学习技术将一幅图像的内容与另一幅图像的艺术风格相结合生成新图像的技术。其核心思想是将图像的“内容”和“风格”分离再重新组合创造出既有原始内容结构又具有新艺术风格的作品。
关键概念 内容Content 指图像的主体结构和细节例如照片中的人物、建筑或风景的轮廓、形状等。 风格Style 指图像的艺术特征如颜色分布、笔触纹理、光影效果等例如梵高的《星夜》中的漩涡笔触或莫奈的印象派色彩。
二、TensorFlow 的基本概念和使用场景
TensorFlow 是一个开源的深度学习框架由谷歌公司开发。它提供了丰富的工具和接口用于构建和训练人工神经网络模型。TensorFlow 的核心概念是张量tensors即多维数组用于表示数据。它的计算图computational graph机制可以将整个计算过程表示为数据流图便于优化和执行。
TensorFlow 的使用场景非常广泛涵盖了许多领域包括计算机视觉、自然语言处理、推荐系统等。一些常见的应用包括图像分类、目标检测、语音识别、机器翻译等。TensorFlow 提供了丰富的预训练模型和工具使得开发者可以快速搭建和训练复杂的深度学习模型。
总的来说TensorFlow 是一款功能强大的深度学习框架适用于各种复杂的机器学习任务可帮助开发者加快模型的开发和部署过程。
三、导入 TF2 和相关依赖项
import functools
import osfrom matplotlib import gridspec
import matplotlib.pylab as plt
import numpy as np
import tensorflow as tf
import tensorflow_hub as hubprint(TF Version: , tf.__version__)
print(TF Hub version: , hub.__version__)
print(Eager mode enabled: , tf.executing_eagerly())
print(GPU available: , tf.config.list_physical_devices(GPU))
输出如下
TF Version: 2.13.0
TF Hub version: 0.16.1
Eager mode enabled: True
GPU available: []
安装依赖可附上清华源仓库连接进行安装
# -i https://pypi.tuna.tsinghua.edu.cn/simple
!pip3 install matplotlib
!pip3 install tensorflow-hub
# title Define image loading and visualization functions { display-mode: form }def crop_center(image):Returns a cropped square image.shape image.shapenew_shape min(shape[1], shape[2])offset_y max(shape[1] - shape[2], 0) // 2offset_x max(shape[2] - shape[1], 0) // 2image tf.image.crop_to_bounding_box(image, offset_y, offset_x, new_shape, new_shape)return image# functools.lru_cache(maxsizeNone)
# def load_image(image_url, image_size(256, 256), preserve_aspect_ratioTrue):
# Loads and preprocesses images.
# # Cache image file locally.
# image_path tf.keras.utils.get_file(os.path.basename(image_url)[-128:], image_url)
# # Load and convert to float32 numpy array, add batch dimension, and normalize to range [0, 1].
# img tf.io.decode_image(
# tf.io.read_file(image_path),
# channels3, dtypetf.float32)[tf.newaxis, ...]
# img crop_center(img)
# img tf.image.resize(img, image_size, preserve_aspect_ratioTrue)
# return imgfunctools.lru_cache(maxsizeNone)
def load_image(image_path, image_size(256, 256), preserve_aspect_ratioTrue):print(floading image {image_path})Loads and preprocesses images.# Load and convert to float32 numpy array, add batch dimension, and normalize to range [0, 1].img tf.io.decode_image(tf.io.read_file(image_path),channels3, dtypetf.float32)[tf.newaxis, ...]img crop_center(img)img tf.image.resize(img, image_size, preserve_aspect_ratioTrue)return imgdef show_n(images, titles(,)):n len(images)image_sizes [image.shape[1] for image in images]w (image_sizes[0] * 6) // 320plt.figure(figsize(w * n, w))gs gridspec.GridSpec(1, n, width_ratiosimage_sizes)for i in range(n):plt.subplot(gs[i])plt.imshow(images[i][0], aspectequal)plt.axis(off)plt.title(titles[i] if len(titles) i else )plt.show()
加载一些图像来看看效果
# title Load example images { display-mode: form }content_image_path data/input/thunderkun.jpg # param {type:string}
style_image_path data/style/style28.jpg # param {type:string}
output_image_size 384 # param {type:integer}# The content image size can be arbitrary.
content_img_size (output_image_size, output_image_size)
# The style prediction model was trained with image size 256 and its the
# recommended image size for the style image (though, other sizes work as
# well but will lead to different results).
style_img_size (256, 256) # Recommended to keep it at 256.content_image load_image(content_image_path, content_img_size)
style_image load_image(style_image_path, style_img_size)
style_image tf.nn.avg_pool(style_image, ksize[3,3], strides[1,1], paddingSAME)
show_n([content_image, style_image], [Content image, Style image])
loading image data/input/thunderkun.jpg
loading image data/style/style28.jpg
输出如下 四、导入 TF Hub 模块
# Load TF Hub module.
hub_handle https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2
hub_module hub.load(hub_handle)
该 Hub 模块用于图像风格化的签名为
outputs hub_module(content_image, style_image)
stylized_image outputs[0]
其中content_image、style_image 和 stylized_image 预期是形状为 [batch_size, image_height, image_width, 3] 的四维张量。
在当前示例中我们仅提供单个图像因此批次维度为 1但是我们也可以使用同一模块同时处理更多图像。
图像的输入和输出值应在 [0, 1] 范围内。
内容与风格图像的形状不一定要匹配。输出图像形状与内容图像形状相同。
五、演示图像风格化
# Stylize content image with given style image.
# This is pretty fast within a few milliseconds on a GPU.
outputs hub_module(tf.constant(content_image), tf.constant(style_image))
stylized_image outputs[0]
# Visualize input images and the generated stylized image.
show_n([content_image, style_image, stylized_image], titles[Original content image, Style image, Stylized image]) 参考资料
任意风格的快速风格转换 | TensorFlow Hub
