实验向：neural-doodle & fast neural-doodle demo 复现流程

论文地址：https://arxiv.org/abs/1603.01768

# 采用docker形式进行，

$ docker pull alexjc/neural-doodle:gpu

# 然后克隆仓库，

$ git clone https://github.com/alexjc/neural-doodle.git

# 接下来用alias对命令进行简化，关于alias命令的用法，见：http://man.linuxde.net/alias

$ cd neural-doodle

$ alias doodle=" sudo nvidia-docker run -v $(pwd)/samples:/nd/samples -v $(pwd)/frames:/nd/frames -it alexjc/neural-doodle:gpu"

$ doodle --help

输出如下：

 

$ doodle --style samples/Gogh.jpg --content samples/Seth.png --output SethAsGogh.png --device=cpu --phases=4 --iterations=40

cpu版本输出如下：

以下分别按两情况进行说明，

1）content with annotations & style with annotations（即有semantic annotations的style-transfer）

迭代40次的情况下，在frames文件下生成了16张png格式的图片，即每个阶段中的每一步（每迭代10次）生成一张图片，如下：

2) content without annotations & style without annotations（即一般的style-transfer）

$ doodle --style samples/Seth.jpg --content samples/Gogh.png --output GoghAsSeth.png --device=gpu0 --phases=4 --iterations=80

 

theano gpu mode下报错，依然使用cpu mode，即

 

$ doodle --style samples/Seth.jpg --content samples/Gogh.png --output GoghAsSeth.png --device=cpu --phases=4 --iterations=80

效果如下：

 

图中人物眼睛显然出现了问题。增加迭代次数之后，即

$ doodle --style samples/Seth.jpg --content samples/Gogh.png --output GoghAsSeth.png --device=cpu --phases=4 --iterations=160

效果如下：

 

fast-neural-doodle

第一步，建立dockerfile

fast版本的一个Dockerfile：

# Start with CUDA Torch dependencies 2
FROM kaixhin/cuda-torch:8.0
MAINTAINER Kai Arulkumaran <design@kaixhin.com>

# Restore Torch7 installation script
RUN sed -i 's/path_to_nvcc=$(which no_nvcc)/path_to_nvcc=$(which nvcc)/g' install.sh

# Install packages
RUN apt-get -y install \
    python \
    build-essential \
    python2.7-dev \
    python-pip \
    git \

    libhdf5-dev \

libprotobuf-dev \

protobuf-compiler \

    software-properties-common
RUN pip install numpy \
    scipy \
    h5py \
    sklearn

# Install CUDA libraries
RUN luarocks install cutorch && \
    luarocks install cunn && \

    luarocks install cudnn && \

    luarocks install loadcaffe

# Install torch-hdf5
RUN git clone https://github.com/deepmind/torch-hdf5 /root/torch-hdf5
WORKDIR /root/torch-hdf5

RUN luarocks make hdf5-0-0.rockspe

根据以上dockerfile新build了一个docker，名字叫做hongpu/cuda-torch:v1.0，即

$ sudo docker build -t hongpu/cuda-torch:v1.0 .

$ git clone https://github.com/DmitryUlyanov/fast-neural-doodle.git

$ vi run.sh

在sh文件中，写入以下命令

 

sudo nvidia-docker run -v /media/projects/yypeng/fast-neural-doodle:/root/fast-neural-doodle \

-it hongpu/cuda-torch:v1.0  /bin/bash -c "cd /root/fast-neural-doodle/ && \

python get_mask_hdf5.py --n_colors=4 --style_image=data/Renoir/style.png --style_mask=data/Renoir/style_mask.png --target_mask=data/Renoir/target_mask.png && \

th fast_neural_doodle.lua -masks_hdf5 masks.hdf5"

 

# 下载模型文件

$ cd data/pretrained && bash download_models.sh && cd ../..

保存好sh文件后，可以bash run.sh直接运行命令，输出图片会放在fast-neural-doodle文件下，每迭代50次保存一张图片，一共迭代1k次。输出如下：

基本思路是先同时为style和content，用给定的annotations生成mask，mask用k-means生成，分为四类。随后根据style和content及其masks（以hdf5文件形式保存），进行fast neural doodle transfer，输出结果。结果的最后一张图如下：