Neural Style论文笔记+源码解析

引言

前面在Ubuntu16.04+GTX1080配置TensorFlow并实现图像风格转换中介绍了TensorFlow的配置过程，以及运用TensorFlow实现图像风格转换，主要是使用了文章A Neural Algorithm of Artistic Style中的方法，今天，我将主要对这篇文章进行解读，并对基于TensorFlow版本的Neural Style开源代码进行解析。 

论文地址：A Neural Algorithm of Artistic Style 

源码地址：Neural Style in TensorFlow

A Neural Algorithm of Artistic Style

任意一幅画，在人的眼中可以分为两个部分，一是画的具体内容（Content），如人物、山水、建筑等等，这是很实在的东西；二是绘画的风格（Style），这却是很抽象的东西，这和艺术家的手法、使用的绘画材料以及绘画习惯都有很大的关系。而在计算机中，这仅仅是一些像素点（pixel）而已。这篇文章的key finding是the representations of content and style in the Convolutional Neural Network are separable，即，我们不仅仅可以用深度学习来提取图像的特征，同时还可以将图像的Content和Style分隔开来。 

上图即代表了这篇文章的整体框架。 

这里的CNN模型使用的是pre-trained的VGG-16模型。 

主要包含两个部分： 
Content Reconstruction：将图像输入到CNN模型中，使用不同的layer提取到的feature maps来对输入图像进行reconstruct。上图中使用了VGG的‘conv1_1’(a), ‘conv2_1’(b), ‘conv3_1’(c), ‘conv4_1’(d) 和‘conv5_1’(e)的feature maps来重构原始图像。作者在文中说，使用低层的特征能够很好的对原始图像的像素值进行重构（a,b,c），而使用高层的特征来重构的时候detailed pixel出现了丢失，但是图像中的high-level content却保留了下来（d,e），因此认为高层的特征能够更好的对图像的content进行重构。 
Style Reconstruction：Style 的重构比Content复杂的多，作者提出使用某一层不同filter的响应之间的correlations来代表该层提取到的texture information，然后来对Style进行重构。上图中使用了VGG的 

‘conv1_1’(a), ‘conv1_1’+‘conv2_1’(b), ‘conv1_1’+‘conv2_1’ +‘conv3_1’(c),‘conv1_1’+‘conv2_1’+‘conv3_1’+‘conv4_1’(d), ‘conv1_1’+‘conv2_1’+‘conv3_1’+‘conv4_1’+‘conv5_1’(e)的texture information来进行重构。作者表示使用多层的feature correlations来重构的Style会在各个不同的尺度上更加匹配图像本身的style，忽略场景的全局信息。

基于以上，作者提出了本文的主要工作：finding an image that simultaneously matches the content representation of the photograph and the style representation of the artwork，即将一幅画的Style和另一幅话的Content进行融合，来证明作者的观点。

假设某一层得到的响应是Fl∈RNl∗MlFl∈RNl∗Ml,其中NlNl为l层filter的个数，MlMl为filter的大小。FlijFijl表示的是第l层第i个filter在位置j的输出。 

p⃗ p→代表提供Content的图像，x⃗ x→表示生成的图像，PlPl和FlFl分别代表它们对于l层的响应，因此l层的Content Loss： 

上面我们提到了，某一层的Style可以用Gl∈RNl∗NlGl∈RNl∗Nl来表示，其中Glij=∑kFlik∗FljkGijl=∑kFikl∗Fjkl，即不同filter响应的内积。 

a⃗ a→代表提供Style的图像，x⃗ x→表示生成的图像，AlAl和GlGl分别代表它们对于l层的Style，因此l层的Style Loss： 
 

文章中作者使用了多层来表达Style，所以总的Style Loss为： 
 

定义好了两个Loss之后，就利用优化方法来最小化总的Loss： 
 

其中的αα和ββ分别代表了对Content和Style的侧重，文中作者也对α/βα/β取值的效果进行了实验。 

最终迭代出来的x⃗ x→既具有p⃗ p→的Content，同时也具有a⃗ a→的Style。实验结果也证明了作者文中方法的有效性。 

Neural Style in TensorFlow

TensorFlow版本的源码主要包含了三个文件：neural_style.py, stylize.py和 vgg.py。 
neural_style.py：外部接口函数，定义了函数的主要参数以及部分参数的默认值，包含对图像的读取和存贮，对输入图像进行resize，权值分配等操作，并将参数以及resize的图片传入stylize.py中。 
stylize.py：核心代码，包含了训练、优化等过程。 
vgg.py：定义了网络模型以及相关的运算。

以下主要对stylize.py中的相关代码进行解析。

shape = (1,) + content.shape
style_shapes = [(1,) + style.shape for style in styles]

• 1
• 2

content.shape是三维（height, width, channel），这里将维度变成（1, height, width, channel）为了与后面保持一致。

# compute content features in feedforward mode
g = tf.Graph() #创建图
    with g.as_default(), g.device('/cpu:0'), tf.Session() as sess:
        image = tf.placeholder('float', shape=shape)
        net, mean_pixel = vgg.net(network, image)
        content_pre = np.array([vgg.preprocess(content, mean_pixel)])
        content_features[CONTENT_LAYER] = net[CONTENT_LAYER].eval(feed_dict={image: content_pre})

• 1
• 2
• 3
• 4
• 5
• 6
• 7

首先创建一个image的占位符，然后通过eval()的feed_dict将content_pre传给image，启动net的运算过程，得到了content的feature maps。

# compute style features in feedforward mode
    for i in range(len(styles)):
        g = tf.Graph()
        with g.as_default(), g.device('/cpu:0'), tf.Session() as sess:
            image = tf.placeholder('float', shape=style_shapes[i])
            net, _ = vgg.net(network, image)
            style_pre = np.array([vgg.preprocess(styles[i], mean_pixel)])
            for layer in STYLE_LAYERS:
                features = net[layer].eval(feed_dict={image: style_pre})
                features = np.reshape(features, (-1, features.shape[3]))
                gram = np.matmul(features.T, features) / features.size
                style_features[i][layer] = gram

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

由于style图像可以输入多幅，这里使用for循环。同样的，将style_pre传给image占位符，启动net运算，得到了style的feature maps，由于style为不同filter响应的内积，因此在这里增加了一步：gram = np.matmul(features.T, features) / features.size，即为style的feature。

# make stylized image using backpropogation
    with tf.Graph().as_default():
        if initial is None:
            noise = np.random.normal(size=shape, scale=np.std(content) * 0.1)
            initial = tf.random_normal(shape) * 0.256
        else:
            initial = np.array([vgg.preprocess(initial, mean_pixel)])
            initial = initial.astype('float32')
        image = tf.Variable(initial)
        net, _ = vgg.net(network, image)

        # content loss
        content_loss = content_weight * (2 * tf.nn.l2_loss(
                net[CONTENT_LAYER] - content_features[CONTENT_LAYER]) / content_features[CONTENT_LAYER].size)
        # style loss
        style_loss = 0
        for i in range(len(styles)):
            style_losses = []
            for style_layer in STYLE_LAYERS:
                layer = net[style_layer]
                _, height, width, number = map(lambda i: i.value, layer.get_shape())
                size = height * width * number
                feats = tf.reshape(layer, (-1, number))
                gram = tf.matmul(tf.transpose(feats), feats) / size
                style_gram = style_features[i][style_layer]
                style_losses.append(2 * tf.nn.l2_loss(gram - style_gram) / style_gram.size)
            style_loss += style_weight * style_blend_weights[i] * reduce(tf.add, style_losses)
        # total variation denoising
        tv_y_size = _tensor_size(image[:,1:,:,:])
        tv_x_size = _tensor_size(image[:,:,1:,:])
        tv_loss = tv_weight * 2 * (
                (tf.nn.l2_loss(image[:,1:,:,:] - image[:,:shape[1]-1,:,:]) /
                    tv_y_size) +
                (tf.nn.l2_loss(image[:,:,1:,:] - image[:,:,:shape[2]-1,:]) /
                    tv_x_size))
        # overall loss
        loss = content_loss + style_loss + tv_loss

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37

image = tf.Variable(initial)初始化了一个TensorFlow的变量，即为我们需要训练的对象。注意这里我们训练的对象是一张图像，而不是weight和bias。接下来定义了Content Loss和Style Loss，结合文中的公式很容易看懂，在代码中，还增加了total variation denoising，因此总的loss = content_loss + style_loss + tv_loss。

# optimizer setup
        train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)

• 1
• 2

创建train_step，使用Adam优化器，优化对象是上面的loss。

# optimization
        best_loss = float('inf')
        best = None
        with tf.Session() as sess:
            sess.run(tf.initialize_all_variables())
            for i in range(iterations):
                last_step = (i == iterations - 1)
                print_progress(i, last=last_step)
                train_step.run()

                if (checkpoint_iterations and i % checkpoint_iterations == 0) or last_step:
                    this_loss = loss.eval()
                    if this_loss < best_loss:
                        best_loss = this_loss
                        best = image.eval()
                    yield (
                        (None if last_step else i),
                        vgg.unprocess(best.reshape(shape[1:]), mean_pixel)
                    )

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

优化过程，通过迭代使用train_step来最小化loss，最终得到一个best，即为训练优化的结果。

总的来说，TensorFlow是一个效率很高、功能很强大的工具，代码也并不是很难看懂，本人对TensorFlow并不是很熟悉，还需要对它的内部函数以及运行机制更深入的了解，因此这也当做是一个学习的过程，上述如果有任何不对的地方，也希望大家批评指正。