AlexeyAB DarkNet YOLOv3框架解析与应用实践（四）
AlexeyAB
DarkNet YOLOv3框架解析与应用实践（四）
Nightmare
从前，在一所大学的大楼里，西蒙尼亚、维达第和齐瑟曼有一个很好的主意，几乎和你现在坐的大楼完全不同。他们想，嘿，我们一直在向前运行这些神经网络，它们工作得很好，为什么不也向后运行呢？这样我们就能知道电脑在想什么。。。
由此产生的图像是如此恐怖，如此怪异，以至于他们的尖叫声可以听到一路坦普顿。
许多研究人员已经扩大了他们的工作范围，包括谷歌一篇广为人知的博客文章。 这是我抄袭那些抄袭那些有好主意的人。
与Darknet做恶梦
如果没有安装Darknet，请先安装！我们将使用VGG-16预训练模型来做噩梦。但是，我们不需要整个模型，只需要卷积层，所以我们可以使用vgg-conv.cfg文件（应该已经在cfg/子目录中有了这个文件）。你需要在这里下载预训练重量（57MB）。
现在我们可以生成您在第一段中看到的尖叫图像：
./darknet nightmare cfg/vgg-conv.cfg vgg-conv.weights
data/scream.jpg 10
命令分解如下：首先是可执行的子例程，./darknet nightmare，然后是配置文件和权重文件cfg/vgg-conv.cfg vgg-conv.weights。最后，我们得到了要修改的图像和要瞄准的配置文件层data/scream.jpg 10。
这可能需要一段时间，特别是如果您只使用CPU。在我的机器上大约需要15分钟。我强烈建议让CUDA更快地产生噩梦。启用CUDA后，在泰坦X上大约需要7秒。
你可以尝试较低的层次，以获得更艺术的感觉：
./darknet nightmare
cfg/vgg-conv.cfg vgg-conv.weights data/dog.jpg 7
或者用更高的层次来获得更复杂的紧急行为：
./darknet nightmare cfg/vgg-conv.cfg vgg-conv.weights
data/eagle.jpg 13
Special Options
你可能会注意到你的尖叫家伙看起来和我的不太一样。那是因为我有一些特别的选择！我实际使用的命令是：
./darknet nightmare
cfg/vgg-conv.cfg vgg-conv.weights \
data/scream.jpg
10 -range 3 -iters 20 -rate .01 -rounds 4
Darknet在连续的回合中生成图像，上一轮的输出将进入下一轮。每一轮的图像也被写入磁盘。每一轮由若干次迭代组成。在每次迭代中，Darknet都会对图像进行修改，以在一定比例上增强选定的层。音阶是从一组八度音阶中随机选取的。该层是从一系列可能的层中随机选择的。修改此过程的命令包括：
–rounds n：更改轮数（默认为1）。多轮意味着生成的图像越多，通常对原始图像的更改也越多。
-iters
n：更改每轮的迭代次数（默认为10）。更多的迭代意味着每轮图像的更多更改。
-range
n：更改可能图层的范围（默认值1）。如果设置为1，则每次迭代时仅选择给定层。否则，一个层将在比范围内随机选择（例如10-范围3将在层9-11之间选择）。
-八度音阶n：更改可能的音阶数（默认为4）。在一个倍频程下，只检查全尺寸图像。每增加一个八度音阶，图像就会增加一个更小的版本（前一个八度音阶的3/4大小）。
-rate
x：更改图像的学习速率（默认值为.05）。越高意味着每次迭代对图像的更改越多，但也有一些不稳定性和不精确性。
-thresh
x：更改要放大的特征的阈值（默认值为1.0）。在目标层中，仅放大偏离平均值超过x个标准差的特征。较高的阈值意味着放大的特征较少。
-zoom x：更改每一轮后应用于图像的缩放（默认为1.0）。您可以选择添加放大（x<1）或缩小（x>1）以在每一轮后应用于图像。
-rotate
x：更改每一轮后应用的旋转（默认为0.0）。每轮后可选旋转。
A Smaller Model
VGG-16是一个非常大的模型，如果内存不足，请尝试使用这个模型！
cfg文件在cfg/子目录中（或者这里），您可以下载权重（72mb）。
./darknet nightmare
cfg/jnet-conv.cfg jnet-conv.weights \
data/yo.jpg 11
-rounds 4 -range 3
Comparison With Deep Dream and GoogleNet
这些例子使用VGG-16网络。虽然古格伦似乎专注于狗和蛞蝓，但VGG喜欢生产獾，一种啮齿动物和猴子之间的奇怪杂交：
VGG也没有GoogleNet所拥有的本地响应规范化层。因此，它的梦魇经常被彩色的星光暴过度饱和。
