入门实践工程十二：图像风格迁移（神经风格迁移）~附:安装依赖库及工程源码

别再死磕枯燥理论了AI 时代拿实战作品说话才是硬道理原创不易哈希望可以帮到还有些许学习劲儿的同学们【进阶版还在创作中耗费精力中……】跳转到专栏目录你学习更有方向和思路……入门实践工程十二图像风格迁移神经风格迁移~附:安装依赖库及工程源码简介基于 PyTorch 复现经典 Gatys 神经风格迁移用一张内容图 一张风格图如梵高《星空》迭代生成「内容结构保留 风格纹理迁移」的合成图依赖预训练 VGG19 提取特征不训练任何网络权重。工程详细介绍核心思想神经风格迁移不训练任何网络权重而是把一张图像张量本身作为可优化变量——用预训练 VGG 提取特征内容损失约束保留内容图结构风格损失Gram 矩阵约束迁移风格图纹理对生成图做梯度下降迭代优化。实现方法数据 / 输入内容图 风格图默认下载雕像 梵高《星空》。模型预训练 VGG19 取中间层特征conv4_2 作内容层conv1_1…conv5_1 作风格层。流程离线计算内容图目标特征与风格图各层 Gram 矩阵目标 → 以内容图初始化生成图 → 每步前向取特征 → 内容 MSE 风格 Gram MSE 全变分正则求和 → 对生成图反向 Adam 更新 → 迭代 200 步。输出每步损失 output.jpg。目录结构12_style_transfer/ ├── main.py # 风格迁移主程序 ├── requirements.txt ├── content.jpg # 内容图默认自动下载 ├── style.jpg # 风格图默认自动下载《星空》 └── output.jpg # 迁移结果正确安装pipinstalltorch torchvision pillow matplotlib python main.py首次运行自动下载 VGG19 权重约 550MB需联网。如需 GPU按 PyTorch 官网选择对应 CUDA 版本安装 torch。运行方式pipinstall-rrequirements.txt# 默认下载示例内容图(雕像)与风格图(星空)python main.py# 指定自己的图片python main.py--contentyour_photo.jpg--stylestarry.jpg# 增加迭代步数提升效果python main.py--steps500说明VGG19 权重首次运行自动下载约 550MB。CPU 较慢200 步约 5-15 分钟有 GPU 快很多CPU 可用--steps 50先看效果。不训练任何模型只对一张图像张量做梯度优化。预期结果控制台打印每步损失变化生成output.jpg内容结构 风格纹理的合成图扩展方向Fast Neural Style训练一个小网络做实时迁移换用 AdaIN自适应实例归一化做秒级风格化视频/批量图片风格迁移工程源码main.py 入门实践工程十二图像风格迁移神经风格迁移 Neural Style Transfer 基于 PyTorch 复现经典 Gatys 神经风格迁移用一张内容图 一张风格图 迭代优化一张合成图像使其保留内容结构、迁移风格纹理。 使用预训练 VGG19 提取特征不训练任何网络权重。 运行 python main.py # 默认下载示例内容/风格图 python main.py --content x.jpg --style y.jpg # 指定本地图片 importargparseimportosimportmatplotlib.pyplotaspltimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorchvision.modelsasmodelsimporttorchvision.transformsastransformsfromPILimportImage BASE_DIRos.path.dirname(os.path.abspath(__file__))DEVICEtorch.device(cudaiftorch.cuda.is_available()elsecpu)IMG_SIZE256# 内存/速度友好有 GPU 可调大到 512STEPS200# 迭代步数CPU 可调小STYLE_W1e6CONTENT_W1TV_W1e-3# 全变分正则平滑去噪# VGG 中用于计算损失的层CONTENT_LAYERconv4_2STYLE_LAYERS[conv1_1,conv2_1,conv3_1,conv4_1,conv5_1]# ---------------- 图像处理 ----------------defload_image(path,sizeIMG_SIZE):imgImage.open(path).convert(RGB)transformtransforms.Compose([transforms.Resize(size),transforms.CenterCrop(size),transforms.ToTensor(),# ImageNet 归一化与 VGG 预训练匹配transforms.Normalize(mean[0.485,0.456,0.406],std[0.229,0.224,0.225]),])returntransform(img).unsqueeze(0).to(DEVICE)defsave_image(tensor,path):ttensor.cpu().clone().squeeze(0)invtransforms.Normalize(mean[-0.485/0.229,-0.456/0.224,-0.406/0.225],std[1/0.229,1/0.224,1/0.225],)tinv(t).clamp(0,1)transforms.ToPILImage()(t).save(path)defdownload_sample(name:str)-str:importurllib.request url{content.jpg:https://pytorch.org/assets/images/deeplearning/statue.jpg,style.jpg:https://upload.wikimedia.org/wikipedia/commons/thumb/e/ea/Van_Gogh_-_Starry_Night_-_Google_Art_Project.jpg/1024px-Van_Gogh_-_Starry_Night_-_Google_Art_Project.jpg,}[name]save_pathos.path.join(BASE_DIR,name)ifnotos.path.exists(save_path):print(f下载示例图片:{url})try:urllib.request.urlretrieve(url,save_path)exceptExceptionase:print(f[错误] 下载失败:{e})print(f请用 --content/--style 指定本地图片或将图片重命名为{name}放入目录。)raisereturnsave_path# ---------------- VGG 特征提取 ----------------defget_vgg():vggmodels.vgg19(weightsmodels.VGG19_Weights.IMAGENET1K_V1).features.eval()forpinvgg.parameters():p.requires_gradFalsereturnvgg.to(DEVICE)defgram_matrix(feat):B,C,H,Wfeat.size()ffeat.view(B,C,H*W)returntorch.bmm(f,f.transpose(1,2))/(C*H*W)classVGGFeatures(nn.Module):按层名提取 VGG 中间特征。def__init__(self,vgg):super().__init__()self.vggvgg self.mapping{conv1_1:0,conv1_2:2,conv2_1:5,conv2_2:7,conv3_1:10,conv3_2:12,conv4_1:19,conv4_2:21,conv5_1:28,}self.max_idxmax(self.mapping.values())defforward(self,x,layers):out{}foriinrange(self.max_idx1):xself.vgg[i](x)forname,idxinself.mapping.items():ifiidxandnameinlayers:out[name]xreturnout# ---------------- 风格迁移主流程 ----------------defstyle_transfer(content_path,style_path,stepsSTEPS):print(f设备:{DEVICE})contentload_image(content_path)styleload_image(style_path)print(f内容图:{content_path}\n风格图:{style_path})vggget_vgg()extractorVGGFeatures(vgg)# 目标特征withtorch.no_grad():content_featsextractor(content,[CONTENT_LAYER])style_featsextractor(style,STYLE_LAYERS)gram_targets{l:gram_matrix(style_feats[l])forlinSTYLE_LAYERS}# 待优化图像用内容图初始化gencontent.clone().requires_grad_(True)optimizertorch.optim.Adam([gen],lr0.05)all_layers[CONTENT_LAYER]STYLE_LAYERSforstepinrange(1,steps1):optimizer.zero_grad()featsextractor(gen,all_layers)# 内容损失content_lossF.mse_loss(feats[CONTENT_LAYER],content_feats[CONTENT_LAYER])# 风格损失style_loss0.0forlinSTYLE_LAYERS:ggram_matrix(feats[l])style_lossstyle_lossF.mse_loss(g,gram_targets[l])style_loss/len(STYLE_LAYERS)# 全变分正则tv(gen[:,:,1:,:]-gen[:,:,:-1,:]).abs().mean()\(gen[:,:,:,1:]-gen[:,:,:,:-1]).abs().mean()lossCONTENT_W*content_lossSTYLE_W*style_lossTV_W*tv loss.backward()optimizer.step()ifstep%250orstep1:print(f步骤{step}/{steps}内容{content_loss.item():.4f}风格{style_loss.item():.4f}tv{tv.item():.4f})out_pathos.path.join(BASE_DIR,output.jpg)save_image(gen,out_path)print(f\n风格迁移结果已保存到:{out_path})returnout_pathdefmain():parserargparse.ArgumentParser()parser.add_argument(--content,typestr,defaultNone)parser.add_argument(--style,typestr,defaultNone)parser.add_argument(--steps,typeint,defaultSTEPS)argsparser.parse_args()contentargs.contentordownload_sample(content.jpg)styleargs.styleordownload_sample(style.jpg)style_transfer(content,style,args.steps)if__name____main__:main()