如何用Keras打造出“风格迁移”的AI艺术作品

过去几年，卷积神经网络（CNN）成为一种前沿的计算机视觉工具，在业界和学界广泛应用。除了人脸识别和无人驾驶领域，CNN 这几年还在艺术领域广受欢迎，其中衍生出一个代表性技术就是“风格迁移”，根据这项技术诞生了很多美图应用，比如 2016 年大火的 Prisma APP。

“风格迁移”是展示神经网络强大能力的一个很有趣的途径。2015 年，德国和美国的一组研究人员发布了一篇论文《A Neural Algorithm of Artistic Style》

https://arxiv.org/pdf/1508.06576.pdf

详细讨论了深度卷积神经网络如何区分照片中的“内容”和“风格”。论文作者展示了 CNN如何能够将一张照片的艺术风格应用在另一张照片上，生成一张全新的令人眼前一亮的照片。而且他们的方法不需要训练一个新的神经网络，使用来自 ImageNet 这类数据集中的预训练权重就有很好的效果。

在本文，我（作者 Walid Ahmad——译者注）会展示如何用流行的 Python 程序库 Keras 创作“风格迁移”的 AI 作品，整体思路和上面这篇论文的方法一致。本文的全部代码点击这里获取

https://github.com/walid0925/AI_Artistry

使用两张基本的图像素材，我们就能创造出下面这样的 AI 艺术作品：

我们要解决的这个问题是现在有了两张基本图像素材，我们想把它们“合并”在一起。其中一张照片的内容我们希望能够保留，我们把这张照片称为 p。在我举的这个例子中，我从谷歌上随便搜了一张可爱的猫咪照片：

另一张基本图像的艺术风格我们希望能够保留，我们称它为 a。我选了一张巴洛克风格的著名照片：《Violin on Palette》。

最后，我们会得到一张生成照片 x，并用随机的颜色数值将它初始化。随着我们最小化内容和风格的损失函数，这张照片会随之不断变化。

##~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~##
## Specify paths for 1) content image 2) style image and 3) generated image
##~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~##

cImPath = './data/base_images/cat.jpg'

sImPath = './data/base_images/violin_and_palette.jpg'

genImOutputPath = './results/output.jpg'

##~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~##
## Image processing##~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~##

from keras import backend as K
from keras.applications.vgg16 import preprocess_input
from keras.preprocessing.image import load_img, img_to_array

targetHeight = 512
targetWidth = 512
targetSize = (targetHeight, targetWidth)

cImage = load_img(path=cImPath, target_size=targetSize)
cImArr = img_to_array(cImage)
cImArr = K.variable(preprocess_input(np.expand_dims(cImArr, axis=0)), dtype='float32')

sImage = load_img(path=sImPath, target_size=targetSize)
sImArr = img_to_array(sImage)
sImArr = K.variable(preprocess_input(np.expand_dims(sImArr, axis=0)), dtype='float32')

gIm0 = np.random.randint(256, size=(targetWidth, targetHeight, 3)).astype('float64')
gIm0 = preprocess_input(np.expand_dims(gIm0, axis=0))
gImPlaceholder = K.placeholder(shape=(1, targetWidth, targetHeight, 3))

注意，我们这里为了后面的优化，将glm0初始化为 float64。而且为了避免GPU的内存错误，我们将cImArr和slmArr保持为float32.

内容损失

内容损失的目标是确保生成的照片x仍能保留内容照片p的“全局”风格。比如，在我们的这个例子中，我们希望最终生成的图像能看起来还是照片p中的猫咪。这意味着，猫咪的脸、耳朵、眼睛等这些都是可以识别出的。要想达到这个目标，内容损失函数会分别在给定层L中定义为p和x的特征表示之间的均方误差。内容损失函数为：

在这里，

• F和P是两个矩阵，包含N个行和M个列

• N是给定层L中的过滤器数量，M是给定层I的特征图谱（高度乘以宽度）中空间元素的数量

• F包含给定层L中X的特征表示

• P包含给定层L中p的特征表示

def get_feature_reps(x, layer_names, model):    """    Get feature representations of input x for one or more layers in a given model.    """    featMatrices = []    for ln in layer_names:        selectedLayer = model.get_layer(ln)        featRaw = selectedLayer.output        featRawShape = K.shape(featRaw).eval(session=tf_session)        N_l = featRawShape[-1]        M_l = featRawShape[1]*featRawShape[2]        featMatrix = K.reshape(featRaw, (M_l, N_l))        featMatrix = K.transpose(featMatrix)        featMatrices.append(featMatrix)    return featMatricesdef get_content_loss(F, P):    cLoss = 0.5*K.sum(K.square(F - P))    return cLoss

风格损失

风格损失需要保存风格照片a的风格特征。论文作者并未利用特征表示之间的不同，而是利用选定层中的格拉姆矩阵的不同之处，其中格拉姆矩阵定义如下：

格拉姆矩阵是一个正方矩阵，包含层级L中每个矢量过滤器（vectorized filter）之间的点积。因此该矩阵可以看作层级L中过滤器的一个非规整矩阵。

def get_Gram_matrix(F):    G = K.dot(F, K.transpose(F))    return G

那么我们可以将给定层L中的风格损失函数定义为：

其中A是风格照片a的格拉姆矩阵，G为生成照片x的格拉姆矩阵。

在大多数卷积神经网络中如VGG，提升层（ascending layer）的感受野（receptive field）会越来越大。随着感受野不断变大，输入图像的更大规模的特征也得以保存下来。正因如此，我们应该选择多个层级用于“风格迁移”，将局部和全局的风格质量进行合并。为了让这些层之间连接顺畅，我们可以为每个层赋予一个权重w，将整个风格损失函数定义为：

def get_style_loss(ws, Gs, As):    sLoss = K.variable(0.)    for w, G, A in zip(ws, Gs, As):        M_l = K.int_shape(G)[1]        N_l = K.int_shape(G)[0]        G_gram = get_Gram_matrix(G)        A_gram = get_Gram_matrix(A)        sLoss+= w*0.25*K.sum(K.square(G_gram - A_gram))/ (N_l**2 * M_l**2)    return sLoss

整合两个函数

最后，我们只需分别为内容损失函数和风格损失函数赋予加权系数，然后大功告成！

整体损失函数

终于得到一个整洁优美的函数公式，能让我们利用⍺和 ß在生成照片上调整内容照片和风格照片两者的相对影响。根据那篇论文的建议以及我自己的经验，让⍺= 1 ，ß = 10,000 效果会很好。

def get_total_loss(gImPlaceholder, alpha=1.0, beta=10000.0):    F = get_feature_reps(gImPlaceholder, layer_names=[cLayerName], model=gModel)[0]    Gs = get_feature_reps(gImPlaceholder, layer_names=sLayerNames, model=gModel)    contentLoss = get_content_loss(F, P)    styleLoss = get_style_loss(ws, Gs, As)    totalLoss = alpha*contentLoss + beta*styleLoss    return totalLoss

模型应用详情

要想开始改变我们的生成图像以最小化损失函数，我们必须用scipy和Keras后端再定义两个函数。首先，用一个函数计算整体损失，其次，用另一个函数计算梯度。两者计算后得到的结果会分别作为目标函数和梯度函数输入到Scipy优化函数中。在这里，我们使用L-BFGS算法（limited-memory BFGS）。

对于每张内容照片和风格照片，我们会提取特征表示，用来构建P和A（对于每个选中的风格层），然后为风格层赋给相同的权重。在实际操作中，通常用L-BFGS算法进行超过500次迭代后，产生的结果就比较可信了。

def calculate_loss(gImArr):  """  Calculate total loss using K.function  """    if gImArr.shape != (1, targetWidth, targetWidth, 3):        gImArr = gImArr.reshape((1, targetWidth, targetHeight, 3))    loss_fcn = K.function([gModel.input], [get_total_loss(gModel.input)])    return loss_fcn([gImArr])[0].astype('float64')def get_grad(gImArr):  """  Calculate the gradient of the loss function with respect to the generated image  """    if gImArr.shape != (1, targetWidth, targetHeight, 3):        gImArr = gImArr.reshape((1, targetWidth, targetHeight, 3))    grad_fcn = K.function([gModel.input],                          K.gradients(get_total_loss(gModel.input), [gModel.input]))    grad = grad_fcn([gImArr])[0].flatten().astype('float64')    return gradfrom keras.applications import VGG16from scipy.optimize import fmin_l_bfgs_btf_session = K.get_session()cModel = VGG16(include_top=False, weights='imagenet', input_tensor=cImArr)sModel = VGG16(include_top=False, weights='imagenet', input_tensor=sImArr)gModel = VGG16(include_top=False, weights='imagenet', input_tensor=gImPlaceholder)cLayerName = 'block4_conv2'sLayerNames = [                'block1_conv1',                'block2_conv1',                'block3_conv1',                'block4_conv1',                ]P = get_feature_reps(x=cImArr, layer_names=[cLayerName], model=cModel)[0]As = get_feature_reps(x=sImArr, layer_names=sLayerNames, model=sModel)ws = np.ones(len(sLayerNames))/float(len(sLayerNames))iterations = 600x_val = gIm0.flatten()xopt, f_val, info= fmin_l_bfgs_b(calculate_loss, x_val, fprime=get_grad,                            maxiter=iterations, disp=True)

虽然过程有点慢，但能保证效果···

我们开始看见若隐若现地出现一个立体主义画派版的小猫咪！等算法再迭代上几次后：

我们可以根据猫咪原图的大小对照片略作修改，将两张图并列在一起。很容易看到猫咪的主要特征，比如眼睛、鼻子和爪爪都维持在原来的状态。不过，为了匹配照片风格，它们都被扁平化了，而且棱角分明——但这正是我们想要的结果啊！

我们用同样的方法可是试试其他照片。比如我从谷歌上找了一张建筑图，然后选了梵高的名画《罗纳河上的星夜》：

总结

在本文我们探究了如何用Keras应用“风格迁移”技术，不过我们还可以做很多工作，创造出更加迷人的作品：

• 尝试用不同的权重：不同的照片混合可能需要调整风格损失权重w或不断优化⍺和 ß的值。例如，在有些例子中，ß/⍺的比例值为10⁵ 效果会更好。

• 尝试用更多的风格层级：这会消耗更多的计算资源，但能够更顺畅地对风格进行迁移。你可以试试VGG19，而不是VGG16，或者将不同的神经网络架构结合在一起。

• 尝试用多张内容照片和风格照片：你可以为损失函数增加几张风格照片，混合多张照片或多种艺术风格。增加内容照片或许会带来更有意思的艺术效果。

• 增加总变分去噪方法：如果你仔细看看上面我得到的照片，你会发现上面有些颗粒状图案——小小的颜色旋涡。用神经网络处理照片通常都会有这个问题，其中一个原因就是照片的有损压缩被带进了特征图谱里。添加总变分去噪可以有效减轻这个问题，点击查看这一步的代码：https://github.com/llSourcell/AI_Artist

下面是我参考的一些资料，大家可以去看一看：

http://genekogan.com/works/style-transfer/

https://github.com/llSourcell/AI_Artist

∞∞∞∞∞

IT派 - {技术青年圈} 持续关注互联网、区块链、人工智能领域

公众号回复“讨论”，

邀你加入{IT派互动讨论群}