贾浩楠 发自 凹非寺
来自 | 量子位
20分钟生成复杂的艺术作品，而且还是用英伟达上上代的1080显卡？
现在神经网络上手门槛这么亲民了吗？
没错，这是一个叫做neural-style-pt的风格迁移模型，基于Pytorch实现，而且刚刚开源！
有关这个算法模型的话题在Reddit上才发布一天，热度接近2000。
neural-style-pt，真的酷炫又亲民吗？
丰富的融合方式
neural-style-pt是论文A Neural Algorithm of Artistic Style的Pytorch实现。
论文介绍了一种利用卷积神经网络将一张图片的内容，与另一张图片的风格相结合的算法，就是我们熟知的“风格迁移”网络。
比如，将《星空》的艺术风格映射到一张斯坦福校园的夜景照片上：
或者根据给定图像的不同艺术风格，分别融合进目标图片：
除了“分别”融合，还能把多个艺术风格融进一张图片：
从左上角顺时针开始风格分别为”星空 “+”呐喊”、”呐喊 “+”构图七（瓦西里·康定斯基油画）“、”坐着的裸女（莫蒂里安尼油画） “+”构图七”、”坐着的裸体 “+”星空”。
在进行风格迁移时，添加“-original_colors 1”指令，还可以只改变风格，不改变原图颜色：
1080卡就能跑？
根据后台和优化器的不同，算法运行速度会有很大差异。
在Tesla K80上使用512像素图片迭代500次时间参考：
-
后台nn、优化器L-BFGS: 117秒
-
后台nn、优化器 ADAM: 100秒
-
后台cudnn -优化器L-BFGS: 124秒
-
后台cudnn -优化器ADAM：107秒
-
后台cudnn -cudnn_autotune -优化器L-BFGS: 109秒
-
后台cudnn -cudnn_autotune -优化器ADAM: 91秒
而在GTX 1080上，相同基准下时间更快：
-
后端nn -优化器L-BFGS: 56秒
-
后台nn -优化器 ADAM: 38秒
-
后台cudnn -优化器L-BFGS: 40秒
-
后台cudnn -优化器ADAM：40秒
-
后台cudnn -cudnn_autotune -优化器 lbfgs: 23秒
-
后台cudnn -cudnn_autotune -优化器ADAM: 24秒
结合当下1080卡的售价，不得不说，这样的门槛，对于机器学习来说，已经很香了。
默认情况下，neural-style-pt使用后端进行卷积，L-BFGS进行优化。但会使用大量的内存，可以通过以下方法来减少内存的使用。
使用cuDNN，添加-backend cudnn来使用cuDNN后端。而使用ADAM时，添加-optimizer adam来使用ADAM而不是L-BFGS。
在默认设置下，neural-style-pt在系统上使用了大约3.7GB的GPU内存；切换到ADAM和cuDNN可以将GPU内存占用减少到大约1GB。
如何上手试玩
安装neural-style-pt，首先要准备好Pytorch。
然后，使用下方一句话指令就能安装已经训练好的模型：
安装完以后，上手试玩也很简单，一行代码就能实现：
如果要载入多种风格，需要分隔不同的图片文件名：
注意，图片名称要包含完整的地址路径。
基本操作就是这些。
neural-style-pt还有一点强大的功能，就是可以使用多个不同的计算设备来处理高分辨率图像。
不同的设备会输出不同网络层的计算结果。
你可以用-gpu指令控制使用哪些GPU和CPU设备，你也可以用-multidevice_strategy控制如何在不同设备上分割层。
例如，在一个有四个GPU的服务器中，指令“-gpu 0,1,2,3”，指按顺序在GPU 0、1、2和3上进行处理。
同时给出 -multidevice_strategy 3,6,12指令，表示前两层应该在GPU 0上计算，第3到5层应该在GPU 1上计算，第6到11层应该在GPU 2上计算，其余的层应该在GPU 3上计算。
根据你的需求调整-multidevice_strategy，可以达到输出的最大分辨率。
下面是一张4016x2213分辨率图像，是在使用8个Tesla K80 GPU的服务器上生成的：
1080显卡入门，还能“分布式”计算，这么酷炫好玩低门槛的风格迁移网络，赶快来试试吧~
传送门：
https://github.com/ProGamerGov/neural-style-pt
<pre><section style="letter-spacing: 0.544px;white-space: normal;font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"><section powered-by="xiumi.us"><section style="margin-top: 15px;margin-bottom: 25px;opacity: 0.8;"><section><section style="letter-spacing: 0.544px;"><section powered-by="xiumi.us"><section style="margin-top: 15px;margin-bottom: 25px;opacity: 0.8;"><section><section style="margin-bottom: 15px;padding-right: 0em;padding-left: 0em;color: rgb(127, 127, 127);font-size: 12px;font-family: sans-serif;line-height: 25.5938px;letter-spacing: 3px;text-align: center;"><span style="color: rgb(0, 0, 0);"><strong><span style="font-size: 16px;font-family: 微软雅黑;caret-color: red;">为您推荐</span></strong></span></section><p style="margin: 5px 16px;padding-right: 0em;padding-left: 0em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;">一个算法工程师的日常是怎样的？</p><p style="margin: 5px 16px;padding-right: 0em;padding-left: 0em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;">彻底搞懂机器学习中的正则化<br /></p><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;"><span style="font-size: 14px;">13个算法工程师必须掌握的PyTorch Tricks</span></section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;"><span style="font-size: 14px;">吴恩达上新：生成对抗网络（GAN）专项课程</span></section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;">从SGD到NadaMax，十种优化算法原理及实现</section></section></section></section></section></section></section></section></section>
本篇文章来源于: 深度学习这件小事
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈