DeepDream是一种艺术性的图像修改技术,它用到了卷积神经网络学到的表示,DeepDream由Google于2015年发布。这个算法与卷积神经网络过滤器可视化技术几乎相同,都是反向运行一个卷积神经网络:对卷积神经网络的输入做梯度上升,以便将卷积神经网络靠顶部的某一层的某个过滤器激活最大化。但有以下几个简单的区别:
- 使用DeepDream,我们尝试将所有层的激活最大化,而不是将某一层的激活最大化,因此需要同时将大量特征的可视化混合在一起
- 不是从空白的、略微带有噪声的输入开始,而是从现有的图像开始,因此所产生的效果能够抓住已经存在的视觉模式,并以某种艺术性的方式将图像扭曲
- 输入图像是在不同的尺度上【叫作八度(octave)】进行处理的,这可以提高可视化的质量
我们将从一个在ImageNet上预训练的卷积神经网络(Keras内置的Inception V3模型)开始
#加载预训练的Inception V3模型 from keras.applications import inception_v3 from keras import backend as K #我们不需要训练模型,所以这个命令会禁用 K.set_learning_phase(0) #构建不包括全连接层的Inception V3网络。使用预训练的ImageNet权重来加载模型 model = inception_v3.InceptionV3(weights = ‘imagenet‘,include_top=False)
接下来要计算损失loss,即在梯度上升过程中需要最大化的量。在第五章的过滤器可视化中,我们试图将某一层的某个过滤器的值最大化。这里,我们要将多个层的所有过滤器的激活同时最大化。具体来说,就是对一组靠近顶部的层激活的L2范数进行加权求和,然后将其最大化。选择哪些层(以及它们对最终损失的贡献)对生成的可视化结果具有很大影响,所以我们希望让这些参数变得易于配置。更靠近底部的层生成的是几何图案,而更靠近顶部的层生成的则是从中能够看出某些ImageNet类别(比如鸟或狗)的图案。我们将随意选择4层的配置,但以后一定要探索多个不同的配置
# 设置DeepDream配置 layer_contributions={ ‘mixed2‘:0.2, ‘mixed3‘:3., ‘mixed4‘:2, ‘mixed5‘:1.5, } #这个字典将层的名称映射为一个系数,这个系数定量表示该层激活对你要最大化的损失的贡献大小。 # 注意,层的名称硬编码在内置的inception V3应用中
#定义需要最大化的损失 #创建一个字典,将层的名称映射为层的实例 layer_dict = dict([(layer.name,layer) for layer in model.layers] ) #在定义损失时将层的贡献添加到这个标量变量中 loss = K.variable(0.) for layer_name in layer_contributions: coeff = layer_contributions[layer_name] #该层激活对损失的贡献大小 activation = layer_dict[layer_name].output #获取层的输出 scaling = K.prod(K.cast(K.shape(activation),‘float32‘)) #将该层特征的L2范数添加到loss中,为了避免出现边界伪影,损失中仅包含非边界的像素 loss += coeff * K.sum(K.square(activation[:,2:-2,2:-2,:1])) / scaling
#梯度上升过程 #这个张量用于保存生成的图像,即梦境图像 dream = model.input #计算损失相对于梦境图像的梯度 grads = K.gradients(loss,dream)[0] #将梯度标准化(重要技巧) grads /= K.maximum(K.mean(K.abs(grads)),1e-7) #给定一张输出图像,设置一个keras函数来获取损失值和梯度值 outputs = [loss,grads] fetch_loss_and_grads = K.function([dream],outputs) def eval_loss_and_grads(x): outs = fetch_loss_and_grads([x]) loss_value = outs[0] grad_values = outs[1] return loss_value,grad_values #这个函数运行itertions次梯度上升 def gradient_ascent(x,iterations,step,max_loss=None): for i in range(iterations): loss_value,grad_values = eval_loss_and_grads(x) if max_loss is not None and loss_value > max_loss: break print(‘...Loss value at‘,i,‘:‘,loss_value) x += step * grad_values return x
最后就是实际的DeepDream算法
首先,我们来定义一个列表,里面包含的是处理图像的尺度(也叫八度)。每个连续的尺度都是前一个的1.4倍(放大40%),即首先处理小图像,然后逐渐增大图像尺寸。对于每个连续的尺度,从最小到最大,我们都需要在当前尺度运行梯度上升,以便将之前定义的损失最大化。每次运行完梯度上升之后,将得到的图像放大40%。
在每次连续的放大之后(图像会变得模糊或像素化),为避免丢失大量图像细节,我们可以使用一个简单的技巧:每次放大之后,将丢失的细节重新注入到图像中。这种方法是可行的,因为我们知道原始图像放大到这个尺寸应该是什么样子。
给定一个较小的图像尺寸S和一个较大的图像尺寸L,你可以计算将原始图像大小调整为L与将原始图像大小调整为S之间的区别,这个区别可以定量描述从S到L的细节损失。
#辅助函数 import scipy from keras.preprocessing import image def resize_img(img,size): img = np.copy(img) factors=(1, float(size[0])/img.shape[1], float(size[1])/img.shape[2], 1) return scipy.ndimage.zoom(img,factors,order=1) def save_img(img,fname): pil_img = deprocess_image(np.copy(img)) scipy.misc.imsave(fname,pil_img) def preprocess_image(image_path): img = image.load_img(image_path)#打开图片 img = image.img_to_array(img)#把图片转成array形式 img = np.expand_dims(img,axis=0)#改变图像大小 img = inception_v3.preprocess_input(img)#将图像格式转换为Inception V3模型能够处理的张量 return img def deprocess_image(x): #通用函数,将一个张量转换为有效图像 if K.image_data_format() == ‘channels_first‘: x = x.reshape((3,x.shape[2],x.shape[3])) x = x.transpose((1,2,0)) else: x = x.reshape((x.shape[1],x.shape[2],3)) #对inception_v3.preprocess_input所做的预处理进行反向操作 x /= 2. x += 0.5 x *= 255. x = np.clip(x,0,255).astype(‘uint8‘) return x
#在多个连续尺度上运行梯度上升 import numpy as np step = 0.01 #步长 num_octave = 3 #运行梯度上升的尺度个数 octave_scale = 1.4 #两个尺度之间的大小比例 iterations = 20 #在每个尺度上运行梯度上升的步数 max_loss = 10. #如果损失增大到大于10,我们要中断梯度上升的过程,以避免得到丑陋的伪影 base_image_path = ‘IU.jpeg‘ #将这个变量修改为你要使用的图像的路径 img = preprocess_image(base_image_path)#将基础图像加载成一个numpy数组 original_shape = img.shape[1:3] successive_shapes = [original_shape] for i in range(1,num_octave): #准备一个由形状元组组成的列表,它定义了运行梯度上升的不同尺度 shape = tuple([int(dim/(octave_scale ** i)) for dim in original_shape]) successive_shapes.append(shape) successive_shapes = successive_shapes[::-1] #将形状列表反转,变为升序 original_img = np.copy(img) shrunk_original_img = resize_img(img,successive_shapes[0])#将图像numpy数组的大小缩放到最小尺寸 for shape in successive_shapes: print(‘Processing image shape‘,shape) img = resize_img(img,shape)#将梦境图像放大 img = gradient_ascent(img, iterations = iterations, step = step, max_loss = max_loss) upscaled_shrunk_original_img = resize_img(shrunk_original_img,shape) same_size_original = resize_img(original_img,shape) lost_detail = same_size_original - upscaled_shrunk_original_img img += lost_detail shrunk_original_img = resize_img(original_img,shape) save_img(img,fname=‘dream_at_scale_‘+str(shape)+‘.png‘) save_img(img,fname=‘final_dream.png‘)
训练损失:
原图 | 效果图 |
原文地址:https://www.cnblogs.com/nxf-rabbit75/p/10012317.html