TensorFlow学习笔记--Deep Dream模型

零、目标

Deep Dream是谷歌推出的一个有意思的技术。在训练好的CNN上，设定几个参数就可以生成一张图象。具体目标是：

了解Deep Dream基本原理
掌握实现生成Deep Dream 模型

一、技术原理

在卷积网络中，通常输入的是一张图象，经过若干层的卷积运算，最终输出图像的类别。这期间使用到了图片计算梯度，网络根据梯度不断的调整和学习最佳的参数。但是卷积层究竟学习到了什么，卷积层的参数代表了什么，浅层卷积和深层卷积学习到的内容有哪些区别，这些问题Deep Dream可以解答。
假设输入网络的图像为X，网络输出的各个类别的概率为t（t是一个多维向量，代表了多种类别的概率）。设定t[N]为优化目标，不断的让神经网络去调整输入图像X的像素值，让输出t[N]尽可能的大，最后极大化第N类别的概率得到图片。
关于卷积层究竟学到了什么，只需要最大化卷积层的某一个通道数据就可以了。折输入的图像为X，中间某个卷积层的输出是Y，Y的形状是hwc，其中h为Y的高度，w为Y的宽度，c为通道数。卷积的一个通道就可以代表一种学习到的信息。以某一个通道的平均值作为优化目标，就可以弄清楚这个通道究竟学习到了什么，这也是Deep Dream的基本原理。

二、在TensorFlow中使用

导入Inception模型
原始的Deep Dream 模型只需要优化ImageNet 模型卷积层某个通道的激活值就可以。因此，应该先导入ImageNet图像识别模型，这里以 Inception 为例。创建 load_inception.py 文件，输入如下代码：

# 导入基本模块
import numpy as np
import tensorflow as tf# 创建图和会话
graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)# 导入Inception模型
# tensorflow_inception_graph.pb 文件存储了inception的网络结构和对应的数据
model_fn = 'tensorflow_inception_graph.pb'
with tf.gfile.FastGFile(model_fn, 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())# 导入的时候需要给网络制定一个输入图像，因此定义一个t_input作为占位符
# 需要注意的是，使用的图像数据通常的格式为：(height,width,channel)，
# 其中height为图像的像素高度，width为图像的像素宽度，chaneel为图像的通道数，一般使用RGB图像，所以通道数为3
t_input = tf.placeholder(np.float32, name='input')
imagenet_mean = 117.0# 处理输入图像
# 虽然图像的格式是(height,width,channel)，但是Inception模型所需的输入格式是(batch,height,width,channel)
# 这是因为(height,width,channel)只能表示一张图片，但在训练神经网络时往往需要多张图片
# 因此在前面加了一维，让输入的图片符合Inception需要的格式
# 尽管这里一次只需要输入一张图片,但是同样也需要将数据变为Inception所需的格式，只不过这里的batch等于1
# 对图像减去一个像素均值
# 原因是在训练Inception 模型的时候，已经做了减去均值的预处理，因此这里使用同样的方法处理，才能保持输入一致
# t_input-imagenet_mean 减去均值，这里使用的Inception模型减去的是一个固定均值117，所以这里也减去117
# expand_dims 执行加一维操作，从[height,width,channel] 变为[1,height,width,channel]
t_preprocessed = tf.expand_dims(t_input - imagenet_mean, 0)# 导入模型
tf.import_graph_def(graph_def, {'input': t_preprocessed})# 找到所有的卷积层
layers = [op.name for op in graph.get_operations() if op.type == 'Conv2D' and 'import/' in op.name]# 输出卷积层层数
print('Number of layers', len(layers))# 输出mixed4d_3x3_bottleneck_pre_relu 形状
name = 'mixed4d_3x3_bottleneck_pre_relu'
print('shape of %s: %s' % (name, str(graph.get_tensor_by_name('import/' + name + ':0').get_shape())))

这段代码运行后，会输出卷积层总数是59个

注1：
在输出卷积层“mixed4d_3x3_bottleneck_pre_relu”的形状时，输出的结果是(?,?,?,144)，原因是此时还不清楚输入图像的个数以及大小，所以前三维的值不确定

生成原始图像
以 mixed4d_3x3_bottleneck_pre_relu 卷积层为例，最大化它的某一个通道的平均值，以达到生成图像的目的。
创建 gen_naive.py 文件，导入Inception模型，导入方法同上节。首先定义保存图片的函数：

def savearray(img_array, img_name):scipy.misc.toimage(img_array).save(img_name)print('img saved : %s' % img_name)

接着创建程序的主要部分：

# 定义卷积层、通道数，并去除对应的Tensor
name = 'mixed4d_3x3_bottleneck_pre_relu'
# 选择任意的通道，这里是139
channel = 139
# 取出 mixed4d_3x3_bottleneck_pre_relu 卷积层的输出层
layer_output = graph.get_tensor_by_name("import/%s:0" % name)# 定义原始的图像噪声
# 他是一个形状为（224，224，3）的张量，表示初始化图像优化起点
img_noise = np.random.uniform(size=(224, 224, 3)) + 100.0# 调用 render_navie 函数渲染
render_naive(layer_output[:, :, :, channel], img_noise, iter_n=20)

最后定义渲染函数

def render_naive(t_obj, img0, iter_n=20, step=1.0):'''渲染函数:param t_obj:卷积层某个通道的值:param img0:初始化图像:param iter_n:迭代的步数:param step::return:'''# t_score 是优化目标。他是t_obj的平均值# t_score 越大，就说明神经网络卷积层对应的通道的平均激活越大t_score = tf.reduce_mean(t_obj)# 计算t_score对t_input的梯度# 代码的目标是通过调整输入图像 t_input ，来让 t_score 尽可能的大# 因此使用体服下降法t_grad = tf.gradients(t_score, t_input)[0]# 创建新图img = img0.copy()# 迭代 iter_n 每一步都将梯度应用到图像上for i in range(iter_n):# 在sess中计算梯度，以及当前的scoreg, score = sess.run([t_grad, t_score], {t_input: img})# 对img应用梯度，step可以看作学习率g /= g.std() + 1e-8img += g * stepprint('score(mean)=%f' % (score))savearray(img, 'navie.jpg')

运行程序后，将得到20次迭代后的图像，如下图

生成大尺寸图片
上节生成的图片尺寸太小，这节通过代码，将生成的大尺寸的图片。上节中传递图片尺寸的参数是 img_noise ，如果 img_noise 传递更大的值，那么生成的图片尺寸就会更大。但是这样就出现一个问题，生成图片的过程是需要消耗内存/显存的，img_noise 传递的尺寸越大，消耗的内存/显存就越多，最终会因为内存/显存不足，导致渲染失败。如何解决这个问题呢，其实很简单，每次不对整张图片做优化，而是把图片分为几个部分，每次只对一部分做优化，这样消耗的内存/显存就是固定大小的。
新建 gen_multiscale.py 文件，写入如下代码，这个函数可以对任意大小的图像进行提督计算：

def calc_grad_tiled(img, t_grad, title_size=512):'''对任意大小的图像计算梯度:param img::param t_grad::param title_size:每次优化的大小:return:'''# 每次只对title_size*title_size大小的图像计算梯度sz = title_sizeh, w = img.shape[:2]# 如果直接计算梯度，在每个 title_size * title_size 的边缘会出现比较明显的边缘效应，影响美观# 解决的办法是：生成两个随机数 sx、sy，对图片进行整体移动# img_shift 先在行上做整体移动，再在列上做整体移动# 防止出现边缘效应sx, sy = np.random.randint(sz, size=2)img_shift = np.roll(np.roll(img, sx, 1), sy, 0)grad = np.zeros_like(img)# y,x是开始及位置的像素for y in range(0, max(h - sz // 2, sz), sz):for x in range(0, max(w - sz // 2, sz), sz):# 每次对sub计算梯度。sub的大小是title_size*title_sizesub = img_shift[y:y + sz, x:x + sz]g = sess.run(t_grad, {t_input: sub})grad[y:y + sz, x:x + sz] = g# 使用np.roll移回去return np.roll(np.roll(grad, -sx, 1), -sy, 0)

为了加快图像的收敛速度，可以采用先生成小尺寸，再将图片放大：

# 将图片放大ratio倍
def resize_ratio(img, ratio):# 首先确定源像素的范围min = img.min()max = img.max()img = (img - min) / (max - min) * 255img = np.float32(scipy.misc.imresize(img, ratio))# 使用完 scipy.misc.imresize 函数后，将像素缩放回去img = img / 255 * (max - min) + minreturn img# 生成大尺寸图片
def render_multiscale(t_obj, img0, iter_n=10, step=1.0, octave_n=3, octave_scale=1.4):'''生成大尺寸图片:param t_obj::param img0::param iter_n::param step::param octave_n:放大次数:param octave_scale:放大倍数:return:'''# 同样定义目标梯度t_score = tf.reduce_mean(t_obj)t_grad = tf.gradients(t_score, t_input)[0]img = img0.copy()# 先生成小尺寸图像# 然后调用 resize_ratio 将小尺寸图像放大 octave_scale 倍# 再使用放大后的图像作为初始值进行计算for octave in range(octave_n):if octave > 0:# 每次将图片放大octave_scale倍# 共放大octave_n-1次img = resize_ratio(img, octave_scale)for i in range(iter_n):# 计算任意大小图像的梯度g = calc_grad_tiled(img, t_grad)g /= g.std() + 1e-8img += g * stepprint('.', end=' ')savearray(img, 'multiscale.jpg')

下面编写主内容

if __name__ == '__main__':name = 'mixed4d_3x3_bottleneck_pre_relu'channel = 139img_noise = np.random.uniform(size=(224, 224, 3)) + 100.0layer_output = graph.get_tensor_by_name("import/%s:0" % name)render_multiscale(layer_output[:, :, :, channel], img_noise, iter_n=20)

运行代码后，将生成一张大尺寸的图片，如下图：

从图中可以看出，mixed4d_3x3_bottleneck_pre_relu 卷积层的第139个通道实际上就是学到了某种花朵的特征。

生成高质量图片
前面两节生成的图片都是分辨率不高的图片，这节将生成高质量的图片。在图像处理算法中，有 高频成分 和 低频成分 之分。所谓高频成分，是指图像中灰度、颜色、明度变化比较剧烈的地方，比如边缘、细节部分。低频成分是指图像变化不大的地方，比如大块色块、整体风格。
上节生成的图片高频成分太多，图片不够柔和。如何解决这个问题呢？一种方法是针对高频成分加入损失，这样图像在生成的时候就会因为新加入损失的作用二发生变化，但是加入损失会导致计算量和收敛步数增大。另一种方法是 放大低频梯度 ，对梯度进行分解，降至分为 高频梯度 和 低频梯度 ，在人为的去放大低频梯度，就可以得到较为柔和的图像。
一般情况下，要使用 拉普拉斯金字塔 对图像进行分解，这种算法可以把图片分解为多层。同时，也可以对梯队进行分解，分解之后，对高频的梯度和低频的梯度都做标准化，可以让梯度的低频成分和高频成分差不多，表现在图像上就会增加图像的低频成分，从而提高生成图像的质量。这种方法称为 拉普拉斯金字塔标准化，具体实现代码如下：

k = np.float32([1, 4, 6, 4, 1])
k = np.outer(k, k)
k5x5 = k[:, :, None, None] / k.sum() * np.eye(3, dtype=np.float32)# 这个函数将图像分为低频和高频成分
def lap_split(img):with tf.name_scope('split'):# 做一次卷积相当于一次平滑，因此lo为低频成分lo = tf.nn.conv2d(img, k5x5, [1, 2, 2, 1], 'SAME')# 低频成分缩放到原始图像大叫就得到lo2，再用原始图像img减去lo2，就得到高频成分hilo2 = tf.nn.conv2d_transpose(lo, k5x5 * 4, tf.shape(img), [1, 2, 2, 1])hi = img - lo2return lo, hi# 这个函数将图像img分成n层拉普拉斯金字塔
def lap_split_n(img, n):levels = []for i in range(n):# 调用lap_split将图像分为低频和高频部分# 高频部分保存到levels中# 低频部分再继续分解img, hi = lap_split(img)levels.append(hi)levels.append(img)return levels[::-1]# 将拉普拉斯金字塔还原到原始图像
def lap_merge(levels):img = levels[0]for hi in levels[1:]:with tf.name_scope('merge'):img = tf.nn.conv2d_transpose(img, k5x5 * 4, tf.shape(hi), [1, 2, 2, 1]) + hireturn img# 对img做标准化
def normalize_std(img, eps=1e-10):with tf.name_scope('normalize'):std = tf.sqrt(tf.reduce_mean(tf.square(img)))return img / tf.maximum(std, eps)# 拉普拉斯金字塔标准化
def lap_normalize(img, scale_n=4):img = tf.expand_dims(img, 0)tlevels = lap_split_n(img, scale_n)# 每一层都做一个normalize_stdtlevels = list(map(normalize_std, tlevels))out = lap_merge(tlevels)return out[0, :, :, :]

编写完拉普拉斯标准化函数后，现在编写生成图像的代码：

# 将一个Tensor函数转换成numpy.ndarray 函数
def tffunc(*argtypes):placeholders = list(map(tf.placeholder, argtypes))def wrap(f):out = f(*placeholders)def wrapper(*args, **kw):return out.eval(dict(zip(placeholders, args)), session=kw.get('session'))return wrapperreturn wrapdef render_lapnorm(t_obj, img0,iter_n=10, step=1.0, octave_n=3, octave_scale=1.4, lap_n=4):# 同样定义目标和梯度t_score = tf.reduce_mean(t_obj)t_grad = tf.gradients(t_score, t_input)[0]# 将lap_normalize转换为正常函数lap_norm_func = tffunc(np.float32)(partial(lap_normalize, scale_n=lap_n))img = img0.copy()for octave in range(octave_n):if octave > 0:img = resize_ratio(img, octave_scale)for i in range(iter_n):g = calc_grad_tiled(img, t_grad)# 唯一的区别在于我们使用lap_norm_func来标准化g！g = lap_norm_func(g)img += g * stepprint('.', end=' ')savearray(img, 'lapnorm.jpg')if __name__ == '__main__':name = 'mixed4d_3x3_bottleneck_pre_relu'channel = 139img_noise = np.random.uniform(size=(224, 224, 3)) + 100.0layer_output = graph.get_tensor_by_name('import/%s:0' % name)render_lapnorm(layer_output[:, :, :, channel], img_noise, iter_n=20)

运行上面代码后，将生成高质量的图片：

生成最终的图片
前面已经讲解了如何通过极大化卷积层摸个通道的平均值生成图片，并学习了如何生成更大和质量更高的图像。但是最终的Deep Dream 模型还需要对图片添加一个背景。具体代码如下：

def resize(img, hw):min = img.min()max = img.max()img = (img - min) / (max - min) * 255img = np.float32(scipy.misc.imresize(img, hw))img = img / 255 * (max - min) + minreturn imgdef render_deepdream(t_obj, img0, iter_n=10, step=1.5, octave_n=4, octave_scale=1.4):t_score = tf.reduce_mean(t_obj)t_grad = tf.gradients(t_score, t_input)[0]img = img0# 同样将图像进行金字塔分解# 提取高频和低频的方法比较简单，直接缩放octaves = []for i in range(octave_n - 1):hw = img.shape[:2]lo = resize(img, np.int32(np.float32(hw) / octave_scale))hi = img - resize(lo, hw)img = looctaves.append(hi)# 先生成低频的图像，再依次放大并加上高频for octave in range(octave_n):if octave > 0:hi = octaves[-octave]img = resize(img, hi.shape[:2]) + hifor i in range(iter_n):g = calc_grad_tiled(img, t_grad)img += g * (step / (np.abs(g).mean() + 1e-7))print('.', end=' ')img = img.clip(0, 255)savearray(img, 'deepdream.jpg')if __name__ == '__main__':img0 = PIL.Image.open('test.jpg')img0 = np.float32(img0)# name = 'mixed4d_3x3_bottleneck_pre_relu'name = 'mixed4c'# channel = 139layer_output = graph.get_tensor_by_name('import/%s:0' % name)# render_deepdream(layer_output[:, :, :, channel], img0, iter_n=150)render_deepdream(tf.square(layer_output), img0)

三、代码下载地址

下载地址