有没有想过，利用机器学习来画画，今天，我将手把手带大家进入深度学习模型neural style的代码实战当中。

neural-style模型是一个风格迁移的模型，是GitHub上一个超棒的项目，那么什么是风格迁移，我们来举一个简单的例子：

这里，我选择了将梵高的画风和我们的东北大学的工学馆相结合，让工学馆融入了梵高的星空效果图，在经过100次的迭代后得到了带有星空效果的图片。

另外我们可以尝试与其他风格结合：

那么接下来就带大家一起进入这个项目的实战之中，如果大家想了解更多过于neural network相关的理论请自己查阅资料，我在这里就不具体介绍了。

项目地址：https://github.com/cysmith/neural-style-tf

该项目可以干什么，除了上面单方面的图片效果外，我们也可以使用多种风格的样式混为一起，或者把视频导入后输出带有其他风格的视频。或者使用语义分割，实现不同的区域有不同的风格。本博客将持续更新，将最新的一些玩法更新到博客上来，同时也可能有算法的优化，这些都是后话了。

我们可以用这个项目为我们自己的学校做明信片，即使你不会画画，也可以制作一些自己风格的图片等等。

扫描二维码关注公众号，回复： 9479151 查看本文章

那么现在我们开始吧。

1.环境搭建

在我们下载好项目代码后，我们还需要一个权重文件，这里直接提供网盘分享：

https://pan.baidu.com/s/106YVMURhXDC0aZj6sQmasA

尝试其他文件的效果，可以访问这个网站下载：http://www.vlfeat.org/matconvnet/pretrained/

下载好了后直接放在项目的文件夹中，放在和neural_style.py一个目录下。

该项目基于tensorflow框架，这里我强烈推荐GPU版本，这里的深度学习模型不像其他的模型，有训练出来的文件，而是直接梯度下降进行转化，CPU的转化比较慢，因此这里推荐GPU的tensorflow，依赖CUDA和cudnn，CUDA依赖7.5版本以上，cudnn选择对应CUDA版本。然后打开命令行，输入以下命令：

pip install tensorflow-gpu

如果你安装过CPU版本的tensorflow，那么也不用担心，你只需要在anaconda里面新搭建一个环境，这里不做详细的解释，如果大家有疑问可以直接在网络上搜索具体的安装方法，如果有问题也可以联系我。

当然不一定非得是GPU版本，CPU版本也可以，只是转换的速度问题。

接着如果你想参与视频的转化，还需要opencv-python的包，我们输入以下命令：

pip install opencv-python

好了，那么环境的搭建基本结束，我们开始实战吧。

2.单种风格转化

在我们的项目代码中，我们发现neural_style.py这个文件，即专门用于转化图片风格。

下面我们列出相关的参数：

--content_img：内容图像的文件名。示例：lion.jpg

--content_img_dir：内容映像的相对或绝对目录路径。默认值：./image_input

--style_imgs：样式图像的文件名。要使用多个样式图像，请传递以空格分隔的列表。示例：--style_imgs starry-night.jpg

--style_imgs_weights：每个样式图像的混合权重。 默认值 :( 1.0仅假设1个样式图像）

--style_imgs_dir：样式图像的相对或绝对目录路径。默认值：./styles

--init_img_type：用于初始化网络的映像。选择：content，random，style。默认值：content

--max_size：输入图像的最大宽度或高度。默认值：512

--content_weight：内容丢失功能的权重。默认值：5e0

--style_weight：风格损失功能的重量。默认值：1e4

--tv_weight：总变分损失函数的权重。默认值：1e-3

--temporal_weight：时间损失函数的权重。默认值：2e2

--content_layers：用于内容图像的以空格分隔的 VGG-19图层名称。默认值：conv4_2

--style_layers：用于样式图像的以空格分隔的 VGG-19图层名称。默认值：relu1_1 relu2_1 relu3_1 relu4_1 relu5_1

--content_layer_weights：每个内容层的空间分隔权重与内容丢失。默认值：1.0

--style_layer_weights：每个样式图层的空间分隔权重丢失。默认值：0.2 0.2 0.2 0.2 0.2

--original_colors：布尔标志，指示样式是否已传输但不是颜色。

--color_convert_type：用于亮度匹配转换为原始颜色的颜色空间（YUV，YCrCb，CIE L * u * v *，CIE L * a * b *）。选择：yuv，ycrcb，luv，lab。默认值：yuv

--style_mask：布尔标志，指示样式是否转移到蒙版区域。

--style_mask_imgs：样式掩码图像的文件名（例如:) face_mask.png。要使用多个样式蒙版图像，请传递以空格分隔的列表。示例：--style_mask_imgs face_mask.png face_mask_inv.png

--noise_ratio：如果网络初始化，内容图像和噪声图像之间的插值random。默认值：1.0

--seed：随机数生成器的种子。默认值：0

--model_weights：VGG-19网络的权重和偏差。默认值：imagenet-vgg-verydeep-19.mat

--pooling_type：卷积神经网络中的池化类型。选择：avg，max。默认值：avg

--device：GPU或CPU设备。强烈建议使用GPU模式但需要NVIDIA CUDA。选择：/gpu:0 /cpu:0。默认值：/gpu:0

--img_output_dir：将输出写入的目录。 默认值：./image_output

--img_name：输出图像的文件名。默认值：result

--verbose：布尔标志，指示是否应将语句打印到控制台。

看着应该很让人眼花缭乱吧，那么我们进入实战来了解吧，项目里面有一些图片和风格图，而默认的图片输入路径是image_input,默认的输出路径是image_output,默认的风格图片保存地址是styles,大家如果把图片放在相应的位置即可直接运行，如果想放在其他位置则需要更改内容映像的相对或绝对目录路径：--content_img_dir。

那么我们先来实战一波，这里我在image_input里放上来了一张自己的图片，我起名school.jpg，在styles里有一张星空的图片，大家自行选择，如果图片放在固定文件夹那就不需要更改映像路径，也就是content_img_dir这个参数。

定位到项目文件夹，打开cmd，输入以下命令：

gpu版本：

python neural_style.py --content_img school.jpg --style_imgs starry-night.jpg --max_size 620 --max_iterations 100 --original_colors --verbose

cpu版本：

python neural_style.py --content_img school.jpg --style_imgs starry-night.jpg --max_size 620 --max_iterations 100 --original_colors --device /cpu:0 --verbose

大家注意到了这两行代码的区别就在于多了一个--device参数，就是确认使用CPU还是GPU，默认是GPU，如果使用GPU可以不填这个参数，如果是CPU需要填写。

下面解释一下常用的参数：--content_img是选择需要转换风格的图片，把图片放在image_input这个文件夹里，content_img的参数就是这个文件夹里图片的名字，记得加上文件的后缀。--style_imgs的参数选择是放在styles文件夹里面的图片文件名。--max_size是你选择需要转化的图片最大像素长度，我不建议使用过大的图片，大家转化图片时可以尽可能缩小图片大小，Windows自带的照片编辑器可以更改，大家查看图片像素大小也很简单，右键图片->属性->详细信息即可看到图片的长宽各多少像素，建议长尽量不要超过1000，不然性能一般的电脑可能会卡住。--max_iterations这个参数是图片迭代次数，次数过小可能有欠拟合，没有风格图片的风格；但是过大有过拟合现象，即原有的图片失去自己的特征，建议100-1000，根据自己图片来定。因为图片好坏在于个人审美，因此大家可以多导出几张选择自己觉得最适合的图片。最后的--verbose参数是在命令行是否反馈数据，如果没有就是命令行没有任何显示，建议还是加上。我这里直接迭代100次，下面是导出的图片。

我们发现，这张图片虽然有了梵高的画作星空的油画特征，可是颜色却是自己本来的颜色，那么如何导出和风格图片差不多的颜色呢，这里就要简单说明一下上述命令中的--original_colors，这个命令加上后就会让输入图片色彩保留自己的特征，如果大家想要风格图片的色彩特征的话可以直接删除这个--original_colors，然后再次转换得出以下图片：

这是一样的迭代次数，只是色彩参照不一样，大家根据自己喜好选取。

那么更多的参数调整请看上述的表，我介绍的参数是最基本的，大家可以入手的参数。

3多种风格转换

这里需要介绍另一个参数：--style_imgs_weights,就是权重。比如，我想要有两种风格的图片，两种风格更侧重哪个风格，这就是权重。比如我要给一张图片蒙娜丽莎和中国水墨画的风格，假设蒙娜丽莎的图片是mnls.jpg，中国水墨画的图片叫china.jpg。那么我们可以这样使用：

CPU:

python neural_style.py --content_img school.jpg --style_imgs mnls.jpg china.jpg --max_size 620 --max_iterations 200 --device /cpu:0 --verbose --style_imgs_weights 0.5 0.5

GPU:

python neural_style.py --content_img school.jpg --style_imgs mnls.jpg china.jpg --max_size 620 --max_iterations 200 --verbose --style_imgs_weights 0.5 0.5

我对--style_imgs这个参数选择两张图片，名字用空格隔开即可，在--style_imgs_weights这个参数，假如说我希望两种风格影响一样，即五五分，那么我的这个参数在--style_imgs_weights后面直接输入0.5 0.5，要注意的是权重的参数总和需要为1。

大家可以把很多风格，不一定是两个，也可以是三个或四个，按一定的权重设置，然后输出多风格的图片。

下面一张是蒙娜丽莎风格的图片：