neural-style

一个基于 TensorFlow 的 神经风格迁移实现。

得益于 TensorFlow 非常友好的 API 和 自动微分，这个实现比市面上许多其他实现要简单得多。

TensorFlow 不支持 L-BFGS（这是原作者所使用的方法），因此我们使用了 Adam。这可能需要进行一些超参数调优才能获得较好的效果。

运行

该项目使用 uv 项目和包管理器；你可以按照这些说明来安装它（例如，通过你的系统包管理器安装，如 brew install uv）。

你还需要下载所需的数据文件。

之后，你可以通过以下命令运行该程序：

uv run neural_style.py --content <内容文件 > --styles < 风格文件 > --output < 输出文件 >

运行 uv run neural_style.py --help 可以查看所有选项的列表。

使用 --checkpoint-output 和 --checkpoint-iterations 来保存检查点图像。

使用 --iterations 来更改迭代次数（默认为 1000 次）。对于一个 512×512 像素的内容文件，在 M3 MacBook Pro 上执行 1000 次迭代需要 90 秒；如果使用更强大的（例如 NVIDIA）GPU，则所需时间会显著减少。

示例 1

运行 500 到 2000 次迭代似乎可以产生不错的效果。对于某些特定的图像或输出尺寸，你可能需要对超参数进行一些调整（尤其是 --content-weight、--style-weight 和 --learning-rate）。

下面的示例运行了 1000 次迭代以生成结果（使用默认参数）：

以下是使用的输入图像：我在黑客马拉松上睡觉的照片和《星夜》：

示例 2

下面的示例展示了风格混合的效果，运行了 1000 次迭代以生成结果（风格混合权重分别为 0.8 和 0.2）：

内容输入图像是麻省理工学院斯塔塔中心的照片：

风格输入图像分别是毕加索的《朵拉·马尔》和《星夜》，其中毕加索的图像风格混合权重为 0.8，而《星夜》的权重为 0.2：

调整

--style-layer-weight-exp 命令行参数可用于调整风格迁移的“抽象”程度。较低的值意味着风格迁移会更倾向于保留较精细的特征，而较高的值则更倾向于保留较粗糙的特征。默认值为 1.0，即所有层同等对待。以下是一些极端的例子：

（左：0.2——保留更精细的特征；右：2.0——保留更粗糙的特征）

--content-weight-blend 指定内容传递层的系数。默认值为 1.0，此时风格迁移会尽量保留内容中的细粒度细节。该值应在 [0.0; 1.0] 范围内。

（左：1.0——默认值；右：0.1——更加抽象的图像）

--pooling 允许选择使用的池化层类型（可指定 max 或 avg）。原始 VGG 网络采用最大池化，但 风格迁移论文建议将其替换为平均池化。两种方法产生的效果在感知上有所不同：最大池化通常能更好地保留细节，但在低频细节方面可能会遇到困难：

（左：最大池化；右：平均池化）

--preserve-colors 是一个布尔型命令行参数，它会在后处理步骤中将原始图像的颜色与风格化图像的亮度信息相结合（使用 YCbCr 颜色空间），从而实现色彩保留的风格迁移：

（左：原始风格化图像；右：色彩保留的风格迁移）

需求

数据文件

• 预训练的 VGG 网络（SHA256 abdb57167f82a2a1fbab1e1c16ad9373411883f262a1a37ee5db2e6fb0044695）——将其放置在本仓库的根目录下，或使用 --network 选项指定其位置。

相关项目

有关 快速（前馈）神经风格迁移 在 TensorFlow 中的实现，请参阅这里。

尝试神经风格迁移——无需安装任何软件，即可在你的网页浏览器中进行客户端体验（使用 TensorFire）。

引用

@misc{athalye2015neuralstyle,
  author = {Anish Athalye},
  title = {Neural Style},
  year = {2015},
  howpublished = {\url{https://github.com/anishathalye/neural-style}},
}

许可证

版权所有 © Anish Athalye。根据 GPLv3 发布。详情请参阅 LICENSE.txt。

neural-style 快速上手指南

neural-style 是一个基于 TensorFlow 实现的神经风格迁移工具，能够将一张图片的艺术风格应用到另一张内容图片上。本项目利用 TensorFlow 的自动微分特性，代码简洁易懂。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需配置相应环境)
• Python 环境：项目推荐使用 uv 作为项目和包管理器（自动处理 Python 版本和依赖）。
• 硬件加速：虽然可以在 CPU 上运行，但强烈建议使用 NVIDIA GPU 以显著缩短生成时间（例如：512x512 图片在 M3 MacBook Pro 上约需 90 秒，而在高性能 GPU 上会快得多）。

前置依赖安装

首先安装 uv 工具。

macOS (使用 Homebrew):

brew install uv

Linux/macOS (通用脚本):

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell):

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

提示：国内用户若访问上述安装源较慢，可尝试配置国内镜像或使用 pip 安装 uv：pip install uv -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目无需传统的 pip install 全局安装，uv 会在运行时自动创建隔离环境并安装依赖。

1. 克隆仓库

   git clone https://github.com/anishathalye/neural-style.git
   cd neural-style
   

2. 下载预训练模型 程序运行需要 VGG 预训练网络文件。

   • 下载地址：imagenet-vgg-verydeep-19.mat
   • 操作：将下载好的 .mat 文件放置在项目根目录下。
   • (可选) 如果放在其他位置，后续运行时需通过 --network 参数指定路径。

基本使用

准备好内容图片（Content Image）和风格图片（Style Image）后，即可开始生成。

最简单的运行命令

uv run neural_style.py --content <content file> --styles <style file> --output <output file>

参数说明：

• <content file>：你想要保留内容的图片路径（例如：photo.jpg）。
• <style file>：你想要提取风格的图片路径（例如：starry_night.jpg）。支持传入多个文件进行风格混合。
• <output file>：生成结果的保存路径（例如：result.jpg）。

实用示例

假设你有一张名为 me.jpg 的照片和一张名为 picasso.jpg 的画作，想要生成一张结合了两者风格的图片 out.jpg，并迭代 1000 次（默认值）：

uv run neural_style.py --content me.jpg --styles picasso.jpg --output out.jpg

常用调整参数

为了获得更好的效果，你可能需要调整以下参数：

• 调整迭代次数（默认 1000，增加次数通常细节更丰富但耗时更长）：

  uv run neural_style.py --content input.jpg --styles style.jpg --output out.jpg --iterations 2000
  

• 保存中间过程图（用于观察生成进度）：

  uv run neural_style.py --content input.jpg --styles style.jpg --output out.jpg --checkpoint-output checkpoint_%.jpg --checkpoint-iterations 100
  

• 查看完整帮助信息：

  uv run neural_style.py --help
  

注意：由于本项目使用 Adam 优化器替代了原论文的 L-BFGS，如果发现效果不佳，可能需要微调 --content-weight（内容权重）、--style-weight（风格权重）和 --learning-rate（学习率）。