Transfer stylu neuronowego

Ten samouczek wykorzystuje głębokie uczenie, aby skomponować jeden obraz w stylu innego obrazu (czy kiedykolwiek chciałbyś malować jak Picasso lub Van Gogh?). Jest to znane jako transfer stylu neuronowego, a technika ta jest opisana w Algorytmie neuronowym stylu artystycznego (Gatys i in.).

Aby uzyskać proste zastosowanie transferu stylu, zapoznaj się z tym samouczkiem , aby dowiedzieć się więcej o tym, jak korzystać z wstępnie wytrenowanego modelu Arbitrary Image Stylization z TensorFlow Hub lub jak korzystać z modelu transferu stylu z TensorFlow Lite .

Przenoszenie stylów neuronowych to technika optymalizacji używana do robienia dwóch obrazów — obrazu zawartości i obrazu odniesienia stylu (takiego jak grafika słynnego malarza) — i łączenia ich ze sobą, tak aby obraz wyjściowy wyglądał jak obraz zawartości, ale był „pomalowany”. w stylu obrazu odniesienia stylu.

Jest to realizowane przez optymalizację obrazu wyjściowego w celu dopasowania statystyk treści obrazu treści i statystyk stylu obrazu odniesienia stylu. Statystyki te są wyodrębniane z obrazów za pomocą sieci splotowej.

Na przykład weźmy zdjęcie tego psa i Kompozycja 7 Wassily'ego Kandinsky'ego:

Żółty Labrador Patrząc , z Wikimedia Commons autorstwa Elfa . Licencja CC BY-SA 3.0

A jak by to wyglądało, gdyby Kandinsky zdecydował się namalować obraz tego psa wyłącznie w tym stylu? Coś takiego?

Ustawiać

Importuj i konfiguruj moduły

import os
import tensorflow as tf
# Load compressed models from tensorflow_hub
os
.environ['TFHUB_MODEL_LOAD_FORMAT'] = 'COMPRESSED'
import IPython.display as display

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl
.rcParams['figure.figsize'] = (12, 12)
mpl
.rcParams['axes.grid'] = False

import numpy as np
import PIL.Image
import time
import functools
def tensor_to_image(tensor):
  tensor
= tensor*255
  tensor
= np.array(tensor, dtype=np.uint8)
 
if np.ndim(tensor)>3:
   
assert tensor.shape[0] == 1
    tensor
= tensor[0]
 
return PIL.Image.fromarray(tensor)

Pobierz obrazy i wybierz obraz stylu oraz obraz treści:

content_path = tf.keras.utils.get_file('YellowLabradorLooking_new.jpg', 'https://storage.googleapis.com/download.tensorflow.org/example_images/YellowLabradorLooking_new.jpg')
style_path
= tf.keras.utils.get_file('kandinsky5.jpg','https://storage.googleapis.com/download.tensorflow.org/example_images/Vassily_Kandinsky%2C_1913_-_Composition_7.jpg')
Downloading data from https://storage.googleapis.com/download.tensorflow.org/example_images/Vassily_Kandinsky%2C_1913_-_Composition_7.jpg
196608/195196 [==============================] - 0s 0us/step
204800/195196 [===============================] - 0s 0us/step

Wizualizuj dane wejściowe

Zdefiniuj funkcję ładowania obrazu i ogranicz jego maksymalny wymiar do 512 pikseli.

def load_img(path_to_img):
  max_dim
= 512
  img
= tf.io.read_file(path_to_img)
  img
= tf.image.decode_image(img, channels=3)
  img
= tf.image.convert_image_dtype(img, tf.float32)

  shape
= tf.cast(tf.shape(img)[:-1], tf.float32)
  long_dim
= max(shape)
  scale
= max_dim / long_dim

  new_shape
= tf.cast(shape * scale, tf.int32)

  img
= tf.image.resize(img, new_shape)
  img
= img[tf.newaxis, :]
 
return img

Utwórz prostą funkcję do wyświetlania obrazu:

def imshow(image, title=None):
 
if len(image.shape) > 3:
    image
= tf.squeeze(image, axis=0)

  plt
.imshow(image)
 
if title:
    plt
.title(title)
content_image = load_img(content_path)
style_image
= load_img(style_path)

plt
.subplot(1, 2, 1)
imshow
(content_image, 'Content Image')

plt
.subplot(1, 2, 2)
imshow
(style_image, 'Style Image')

png

Szybki transfer stylu za pomocą TF-Hub

Ten samouczek przedstawia oryginalny algorytm przenoszenia stylu, który optymalizuje zawartość obrazu do określonego stylu. Zanim przejdziemy do szczegółów, zobaczmy, jak robi to model TensorFlow Hub :

import tensorflow_hub as hub
hub_model
= hub.load('https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2')
stylized_image
= hub_model(tf.constant(content_image), tf.constant(style_image))[0]
tensor_to_image
(stylized_image)

png

Zdefiniuj reprezentacje treści i stylu

Użyj pośrednich warstw modelu, aby uzyskać reprezentację zawartości i stylu obrazu. Począwszy od warstwy wejściowej sieci, kilka pierwszych aktywacji warstwy reprezentuje funkcje niskiego poziomu, takie jak krawędzie i tekstury. Gdy przechodzisz przez sieć, kilka ostatnich warstw reprezentuje elementy wyższego poziomu — części obiektów, takie jak koła lub oczy . W tym przypadku używasz architektury sieci VGG19, wstępnie wytrenowanej sieci klasyfikacji obrazów. Te warstwy pośrednie są niezbędne do zdefiniowania reprezentacji treści i stylu z obrazów. W przypadku obrazu wejściowego spróbuj dopasować odpowiednie reprezentacje stylu i zawartości docelowej na tych warstwach pośrednich.

Załaduj VGG19 i przetestuj go na naszym obrazie, aby upewnić się, że jest używany poprawnie:

x = tf.keras.applications.vgg19.preprocess_input(content_image*255)
x
= tf.image.resize(x, (224, 224))
vgg
= tf.keras.applications.VGG19(include_top=True, weights='imagenet')
prediction_probabilities
= vgg(x)
prediction_probabilities
.shape
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/vgg19/vgg19_weights_tf_dim_ordering_tf_kernels.h5
574717952/574710816 [==============================] - 17s 0us/step
574726144/574710816 [==============================] - 17s 0us/step
TensorShape([1, 1000])
predicted_top_5 = tf.keras.applications.vgg19.decode_predictions(prediction_probabilities.numpy())[0]
[(class_name, prob) for (number, class_name, prob) in predicted_top_5]
[('Labrador_retriever', 0.493171),
 ('golden_retriever', 0.2366529),
 ('kuvasz', 0.036357544),
 ('Chesapeake_Bay_retriever', 0.024182785),
 ('Greater_Swiss_Mountain_dog', 0.0186461)]

Teraz załaduj VGG19 bez głowicy klasyfikacyjnej i wymień nazwy warstw

vgg = tf.keras.applications.VGG19(include_top=False, weights='imagenet')

print()
for layer in vgg.layers:
 
print(layer.name)
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/vgg19/vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5
80142336/80134624 [==============================] - 2s 0us/step
80150528/80134624 [==============================] - 2s 0us/step

input_2
block1_conv1
block1_conv2
block1_pool
block2_conv1
block2_conv2
block2_pool
block3_conv1
block3_conv2
block3_conv3
block3_conv4
block3_pool
block4_conv1
block4_conv2
block4_conv3
block4_conv4
block4_pool
block5_conv1
block5_conv2
block5_conv3
block5_conv4
block5_pool

Wybierz warstwy pośrednie z sieci, aby przedstawić styl i zawartość obrazu:

content_layers = ['block5_conv2'] 

style_layers
= ['block1_conv1',
               
'block2_conv1',
               
'block3_conv1',
               
'block4_conv1',
               
'block5_conv1']

num_content_layers
= len(content_layers)
num_style_layers
= len(style_layers)

Warstwy pośrednie dla stylu i treści

Dlaczego więc te pośrednie dane wyjściowe w naszej wstępnie wyszkolonej sieci klasyfikacji obrazów pozwalają nam zdefiniować reprezentacje stylu i treści?

Na wysokim poziomie, aby sieć mogła dokonać klasyfikacji obrazów (do czego ta sieć została przeszkolona), musi zrozumieć obraz. Wymaga to przyjęcia nieprzetworzonego obrazu jako pikseli wejściowych i zbudowania wewnętrznej reprezentacji, która przekształca nieprzetworzone piksele obrazu w złożone zrozumienie cech obecnych na obrazie.

Jest to również powód, dla którego splotowe sieci neuronowe są w stanie dobrze uogólniać: są w stanie uchwycić niezmienności i cechy definiujące w obrębie klas (np. koty kontra psy), które są agnostyczne wobec szumu tła i innych niedogodności. Dlatego gdzieś pomiędzy miejscem, w którym surowy obraz jest wprowadzany do modelu, a etykietą klasyfikacji wyjściowej, model służy jako złożony ekstraktor cech. Uzyskując dostęp do warstw pośrednich modelu, możesz opisać zawartość i styl obrazów wejściowych.

Zbuduj model

Sieci w tf.keras.applications zostały zaprojektowane tak, aby można było łatwo wyodrębnić wartości warstwy pośredniej za pomocą funkcjonalnego API Keras.

Aby zdefiniować model za pomocą funkcjonalnego API, określ wejścia i wyjścia:

model = Model(inputs, outputs)

Poniższa funkcja buduje model VGG19, który zwraca listę danych wyjściowych warstwy pośredniej:

def vgg_layers(layer_names):
 
""" Creates a vgg model that returns a list of intermediate output values."""
 
# Load our model. Load pretrained VGG, trained on imagenet data
  vgg
= tf.keras.applications.VGG19(include_top=False, weights='imagenet')
  vgg
.trainable = False

  outputs
= [vgg.get_layer(name).output for name in layer_names]

  model
= tf.keras.Model([vgg.input], outputs)
 
return model

A żeby stworzyć model:

style_extractor = vgg_layers(style_layers)
style_outputs
= style_extractor(style_image*255)

#Look at the statistics of each layer's output
for name, output in zip(style_layers, style_outputs):
 
print(name)
 
print("  shape: ", output.numpy().shape)
 
print("  min: ", output.numpy().min())
 
print("  max: ", output.numpy().max())
 
print("  mean: ", output.numpy().mean())
 
print()
block1_conv1
  shape:  (1, 336, 512, 64)
  min:  0.0
  max:  835.5256
  mean:  33.97525

block2_conv1
  shape:  (1, 168, 256, 128)
  min:  0.0
  max:  4625.8857
  mean:  199.82687

block3_conv1
  shape:  (1, 84, 128, 256)
  min:  0.0
  max:  8789.239
  mean:  230.78099

block4_conv1
  shape:  (1, 42, 64, 512)
  min:  0.0
  max:  21566.135
  mean:  791.24005

block5_conv1
  shape:  (1, 21, 32, 512)
  min:  0.0
  max:  3189.2542
  mean:  59.179478

Oblicz styl

Zawartość obrazu jest reprezentowana przez wartości z map cech pośrednich.

Okazuje się, że styl obrazu można opisać za pomocą środków i korelacji na różnych mapach cech. Oblicz macierz grama, która zawiera te informacje, biorąc zewnętrzny iloczyn wektora cech w każdym miejscu i uśredniając ten iloczyn zewnętrzny we wszystkich lokalizacjach. Ta macierz grama może być obliczona dla konkretnej warstwy jako:

Gcdl=ijFijcl(x)Fijdl(x)IJ

Można to zwięźle zaimplementować za pomocą funkcji tf.linalg.einsum :

def gram_matrix(input_tensor):
  result
= tf.linalg.einsum('bijc,bijd->bcd', input_tensor, input_tensor)
  input_shape
= tf.shape(input_tensor)
  num_locations
= tf.cast(input_shape[1]*input_shape[2], tf.float32)
 
return result/(num_locations)

Wyodrębnij styl i treść

Zbuduj model, który zwraca tensory stylu i treści.

class StyleContentModel(tf.keras.models.Model):
 
def __init__(self, style_layers, content_layers):
   
super(StyleContentModel, self).__init__()
   
self.vgg = vgg_layers(style_layers + content_layers)
   
self.style_layers = style_layers
   
self.content_layers = content_layers
   
self.num_style_layers = len(style_layers)
   
self.vgg.trainable = False

 
def call(self, inputs):
   
"Expects float input in [0,1]"
    inputs
= inputs*255.0
    preprocessed_input
= tf.keras.applications.vgg19.preprocess_input(inputs)
    outputs
= self.vgg(preprocessed_input)
    style_outputs
, content_outputs = (outputs[:self.num_style_layers],
                                      outputs
[self.num_style_layers:])

    style_outputs
= [gram_matrix(style_output)
                     
for style_output in style_outputs]

    content_dict
= {content_name: value
                   
for content_name, value
                   
in zip(self.content_layers, content_outputs)}

    style_dict
= {style_name: value
                 
for style_name, value
                 
in zip(self.style_layers, style_outputs)}

   
return {'content': content_dict, 'style': style_dict}

Po wywołaniu na obrazie, ten model zwraca macierz gramów (styl) style_layers i zawartość content_layers :

extractor = StyleContentModel(style_layers, content_layers)

results
= extractor(tf.constant(content_image))

print('Styles:')
for name, output in sorted(results['style'].items()):
 
print("  ", name)
 
print("    shape: ", output.numpy().shape)
 
print("    min: ", output.numpy().min())
 
print("    max: ", output.numpy().max())
 
print("    mean: ", output.numpy().mean())
 
print()

print("Contents:")
for name, output in sorted(results['content'].items()):
 
print("  ", name)
 
print("    shape: ", output.numpy().shape)
 
print("    min: ", output.numpy().min())
 
print("    max: ", output.numpy().max())
 
print("    mean: ", output.numpy().mean())
Styles:
   block1_conv1
    shape:  (1, 64, 64)
    min:  0.0055228462
    max:  28014.557
    mean:  263.79022

   block2_conv1
    shape:  (1, 128, 128)
    min:  0.0
    max:  61479.496
    mean:  9100.949

   block3_conv1
    shape:  (1, 256, 256)
    min:  0.0
    max:  545623.44
    mean:  7660.976

   block4_conv1
    shape:  (1, 512, 512)
    min:  0.0
    max:  4320502.0
    mean:  134288.84

   block5_conv1
    shape:  (1, 512, 512)
    min:  0.0
    max:  110005.37
    mean:  1487.0378

Contents:
   block5_conv2
    shape:  (1, 26, 32, 512)
    min:  0.0
    max:  2410.8796
    mean:  13.764149

Biegnij w dół pochyłości

Dzięki temu ekstraktorowi stylów i treści możesz teraz zaimplementować algorytm przesyłania stylów. Zrób to, obliczając błąd średniokwadratowy dla wyjścia twojego obrazu w stosunku do każdego celu, a następnie weź ważoną sumę tych strat.

Ustaw swój styl i wartości docelowe treści:

style_targets = extractor(style_image)['style']
content_targets
= extractor(content_image)['content']

Zdefiniuj tf.Variable zawierającą obraz do optymalizacji. Aby to zrobić szybko, zainicjuj go za pomocą obrazu zawartości ( tf.Variable musi mieć taki sam kształt jak obraz zawartości):

image = tf.Variable(content_image)

Ponieważ jest to obraz pływający, zdefiniuj funkcję, aby zachować wartości pikseli między 0 a 1:

def clip_0_1(image):
 
return tf.clip_by_value(image, clip_value_min=0.0, clip_value_max=1.0)

Utwórz optymalizator. Gazeta poleca LBFGS, ale Adam też działa dobrze:

opt = tf.optimizers.Adam(learning_rate=0.02, beta_1=0.99, epsilon=1e-1)

Aby to zoptymalizować, użyj ważonej kombinacji dwóch strat, aby uzyskać całkowitą stratę:

style_weight=1e-2
content_weight
=1e4
def style_content_loss(outputs):
    style_outputs
= outputs['style']
    content_outputs
= outputs['content']
    style_loss
= tf.add_n([tf.reduce_mean((style_outputs[name]-style_targets[name])**2)
                           
for name in style_outputs.keys()])
    style_loss
*= style_weight / num_style_layers

    content_loss
= tf.add_n([tf.reduce_mean((content_outputs[name]-content_targets[name])**2)
                             
for name in content_outputs.keys()])
    content_loss
*= content_weight / num_content_layers
    loss
= style_loss + content_loss
   
return loss

Użyj tf.GradientTape , aby zaktualizować obraz.

@tf.function()
def train_step(image):
 
with tf.GradientTape() as tape:
    outputs
= extractor(image)
    loss
= style_content_loss(outputs)

  grad
= tape.gradient(loss, image)
  opt
.apply_gradients([(grad, image)])
  image
.assign(clip_0_1(image))

Teraz wykonaj kilka kroków, aby przetestować:

train_step(image)
train_step
(image)
train_step
(image)
tensor_to_image
(image)

png

Ponieważ działa, przeprowadź dłuższą optymalizację:

import time
start
= time.time()

epochs
= 10
steps_per_epoch
= 100

step
= 0
for n in range(epochs):
 
for m in range(steps_per_epoch):
    step
+= 1
    train_step
(image)
   
print(".", end='', flush=True)
  display
.clear_output(wait=True)
  display
.display(tensor_to_image(image))
 
print("Train step: {}".format(step))

end = time.time()
print("Total time: {:.1f}".format(end-start))

png

Train step: 1000
Total time: 21.3

Całkowita utrata zmienności

Jedną wadą tej podstawowej implementacji jest to, że generuje wiele artefaktów o wysokiej częstotliwości. Zmniejsz je, używając wyraźnego wyrażenia regularyzacji na składowych obrazu o wysokiej częstotliwości. W przeniesieniu stylu często nazywa się to całkowitą utratą zmienności :

def high_pass_x_y(image):
  x_var
= image[:, :, 1:, :] - image[:, :, :-1, :]
  y_var
= image[:, 1:, :, :] - image[:, :-1, :, :]

 
return x_var, y_var
x_deltas, y_deltas = high_pass_x_y(content_image)

plt
.figure(figsize=(14, 10))
plt
.subplot(2, 2, 1)
imshow
(clip_0_1(2*y_deltas+0.5), "Horizontal Deltas: Original")

plt
.subplot(2, 2, 2)
imshow
(clip_0_1(2*x_deltas+0.5), "Vertical Deltas: Original")

x_deltas
, y_deltas = high_pass_x_y(image)

plt
.subplot(2, 2, 3)
imshow
(clip_0_1(2*y_deltas+0.5), "Horizontal Deltas: Styled")

plt
.subplot(2, 2, 4)
imshow
(clip_0_1(2*x_deltas+0.5), "Vertical Deltas: Styled")

png

To pokazuje, jak wzrosły komponenty o wysokiej częstotliwości.

Ponadto ten element o wysokiej częstotliwości jest w zasadzie wykrywaczem krawędzi. Podobne wyniki można uzyskać z czujnika krawędzi Sobel, na przykład:

plt.figure(figsize=(14, 10))

sobel
= tf.image.sobel_edges(content_image)
plt
.subplot(1, 2, 1)
imshow
(clip_0_1(sobel[..., 0]/4+0.5), "Horizontal Sobel-edges")
plt
.subplot(1, 2, 2)
imshow
(clip_0_1(sobel[..., 1]/4+0.5), "Vertical Sobel-edges")

png

Związana z tym strata regularyzacji jest sumą kwadratów wartości:

def total_variation_loss(image):
  x_deltas
, y_deltas = high_pass_x_y(image)
 
return tf.reduce_sum(tf.abs(x_deltas)) + tf.reduce_sum(tf.abs(y_deltas))
total_variation_loss(image).numpy()
149402.94

To pokazało, co robi. Ale nie ma potrzeby samodzielnego wdrażania, TensorFlow zawiera standardową implementację:

tf.image.total_variation(image).numpy()
array([149402.94], dtype=float32)

Ponownie uruchom optymalizację

Wybierz wagę dla total_variation_loss :

total_variation_weight=30

Teraz uwzględnij to w funkcji train_step :

@tf.function()
def train_step(image):
 
with tf.GradientTape() as tape:
    outputs
= extractor(image)
    loss
= style_content_loss(outputs)
    loss
+= total_variation_weight*tf.image.total_variation(image)

  grad
= tape.gradient(loss, image)
  opt
.apply_gradients([(grad, image)])
  image
.assign(clip_0_1(image))

Ponownie zainicjuj zmienną optymalizacji:

image = tf.Variable(content_image)

I uruchom optymalizację:

import time
start
= time.time()

epochs
= 10
steps_per_epoch
= 100

step
= 0
for n in range(epochs):
 
for m in range(steps_per_epoch):
    step
+= 1
    train_step
(image)
   
print(".", end='', flush=True)
  display
.clear_output(wait=True)
  display
.display(tensor_to_image(image))
 
print("Train step: {}".format(step))

end = time.time()
print("Total time: {:.1f}".format(end-start))

png

Train step: 1000
Total time: 22.4

Na koniec zapisz wynik:

file_name = 'stylized-image.png'
tensor_to_image
(image).save(file_name)

try:
 
from google.colab import files
except ImportError:
   
pass
else:
  files
.download(file_name)

Ucz się więcej

Ten samouczek przedstawia oryginalny algorytm przenoszenia stylu. Aby uzyskać proste zastosowanie transferu stylu, zapoznaj się z tym samouczkiem , aby dowiedzieć się więcej o tym, jak korzystać z modelu transferu dowolnego stylu obrazu z TensorFlow Hub .