风格迁移学习笔记

风格迁移大作业

学习规划

跑通一份代码！！！（done）
对照代码、Blog和论文理解相应的算法过程
规划下一步，修改代码（done），实现预计功能（done）
调参，跑出较好

Problem Queue

算法和代码对应？细化？（尽量搞吧。。。PPT/报告里讲啥?
代码修改？

损失函权重参数、多张图片风格渐变效果？
~~损失函数形式~~
本代码的生成图片的初始值是内容图片，可以改成普通的白噪声/突出重点的黑白轮廓图/抠图。实际上，将初始值设定为内容图像，就是以这个作为迭代的起点，一定程度上掩盖了迭代次数少的问题。
融合2个以上的风格，跑个比较优美的风格过度效果？（掩盖一下垃圾的图片效果。
可以参考：https://zhuanlan.zhihu.com/p/27512619 展示图片效果。。
只包含风格的图像
只包含内容的图像
玄学感受？风格图片元素单一，不要过于复杂，最好不要有明显的"主角"或者关键点，火？；内容图像相反需要有明显的”主角“和重点，大头贴、肖像；初始化图片需要对内容图片做一些处理得到。。比如强调"主角"，模糊甚至抹去背景，颜色重？

怎样挑数据？

参考网上一些以有的比较好的效果图片，查找类似的图片
对照测试，需要跑出比较好的结果

把 GPU 版还是配好吧。。。迭代次数增加10-20倍？从十几个小时编程几十分钟。。。次数不够跑不出好效果吧。。。是可以分组跑的，用上一次迭代的结果作为这一次迭代的初始值。

跑通一份代码！！！

尝试配置 win 下pycharm + tensorflow (done) anaconda 大法好
Note：

参考：https://blog.csdn.net/gongxsh00/article/details/81318404
python 版本与 anaconda 对应尽量最新
激活虚拟环境，退出虚拟环境

activate tensorflow
deactivate
tansorflow 、pip 都更新到最新：

pip install --upgrade pip
pip 链接超时，可以在使用pip的时候加参数-i https://pypi.tuna.tsinghua.edu.cn/simple
无权限更新，就开管理员
大部分问题都是因为版本不对应
注意目录
对应的 python 以及 python/scripts 要加入环境变量（多加没坏处。
pycharm 版本改成最新的 (pycharm 有些奇怪的坑，尽量用 anaconda）
pip .ReadTimeoutError: HTTPSConnectionPool(host='files.pythonhosted.org', port=443): Read timed out. （使用：pip install *** --default-timeout=1000）

找一份代码、运行成功 (done)
~~https://www.cnblogs.com/andrewwang/p/10836929.html~~
~~https://blog.csdn.net/dcrmg/article/details/81269653~~
https://blog.csdn.net/u010900574/article/details/53427544
https://github.com/keras-team/keras
学会远程使用服务器，调用老师提供的显卡计算，配置环境 tensorflow 运行样例代码(done)

对照代码、Blog和论文理解相应的算法过程

规划下一步流程，修改代码，实现预计功能

修改样例代码实现加入2个风格(done)

Modify1

parser.add_argument('style_reference_image_path_1', metavar='ref', type=str,help='Path to the style reference image_1.')
parser.add_argument('style_reference_image_path_2', metavar='ref', type=str,help='Path to the style reference image_2.')

Modify2

style_reference_image_path_1 = args.style_reference_image_path_1
style_reference_image_path_2 = args.style_reference_image_path_2

Modify3

style_reference_image_1 = K.variable(preprocess_image(style_reference_image_path_1))
style_reference_image_2 = K.variable(preprocess_image(style_reference_image_path_2))

Modify4
后边需要注意每个量的位置

input_tensor = K.concatenate([base_image,style_reference_image_1,style_reference_image_2,combination_image], axis=0)

Modify5
combination_features由于4操作这里需要注意维数的变化

combination_features = layer_features[3, :, :, :]

Modify6
修改损失函数(待修改)

for layer_name in feature_layers:layer_features = outputs_dict[layer_name]style_reference_features_1 = layer_features[1, :, :, :]combination_features = layer_features[3, :, :, :]sl = style_loss(style_reference_features_1, combination_features)loss += (style_weight / len(feature_layers)) * slstyle_reference_features_2 = layer_features[2, :, :, :]combination_features = layer_features[3, :, :, :]sl = style_loss(style_reference_features_2, combination_features)loss += (style_weight / len(feature_layers)) * sl