本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

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20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。

论文介绍了一种利分钟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，这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卡个A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I就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-B能创FGS: 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。

默认造复情况下，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-杂艺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术作的模型：

python models/download_models.py 

安装完以后，上手试玩也很简单，一行代码就能实现：

python neural_style.py -style_image-content_image 品！;

如果要载入多种风格，需要分隔不同的图片文件名：

-style_image starry_night.jpg,the_scream.jpg 

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10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”80，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-multid显卡evice_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://githu就能b.com/ProGamerGov/neural-style-pt

(责任编辑：员工发展)