tensorflow练习8：实现Google的Deep Dream

Google把自家生成图片的技术 Inceptionism 开源化，称之为 Deep Dream ，一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一张图片喂入之后，选择某一层神经网路（Google 的神经网luo有 10-30 层）进行重复处理的次数和变形的程度，就能获得一张非常后现代的「画作」。
1)下载模型，解压。
下载模型，解压
2）加载预训练的模型，训练。

#coding=utf-8
import tensorflow as tf
import numpy as np
import cv2
inception_model = 'tensorflow_inception_graph.pb'
# 加载inception模型
graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)X = tf.placeholder(np.float32, name='input')
with tf.gfile.FastGFile(inception_model, 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())
imagenet_mean = 117.0
preprocessed = tf.expand_dims(X-imagenet_mean, 0)
tf.import_graph_def(graph_def, {'input':preprocessed})layers = [op.name for op in graph.get_operations() if op.type=='Conv2D' and 'import/' in op.name]
feature_nums = [int(graph.get_tensor_by_name(name+':0').get_shape()[-1]) for name in layers]print('layers:', len(layers))   # 59
print('feature:', sum(feature_nums))  # 7548# deep dream
def deep_dream(obj, img_noise=np.random.uniform(size=(224,224,3)) + 100.0, iter_n=10, step=1.5, octave_n=4, octave_scale=1.4):score = tf.reduce_mean(obj)gradi = tf.gradients(score, X)[0]img = img_noiseoctaves = []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 resize(img, size):img = tf.expand_dims(img, 0)return tf.image.resize_bilinear(img, size)[0,:,:,:]resize = tffunc(np.float32, np.int32)(resize)for _ 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)def calc_grad_tiled(img, t_grad, tile_size=512):sz = tile_sizeh, w = img.shape[:2]sx, sy = np.random.randint(sz, size=2)img_shift = np.roll(np.roll(img, sx, 1), sy, 0)grad = np.zeros_like(img)for y in range(0, max(h-sz//2, sz),sz):for x in range(0, max(w-sz//2, sz),sz):sub = img_shift[y:y+sz,x:x+sz]g = sess.run(t_grad, {X:sub})grad[y:y+sz,x:x+sz] = greturn np.roll(np.roll(grad, -sx, 1), -sy, 0)   for octave in range(octave_n):if octave>0:hi = octaves[-octave]img = resize(img, hi.shape[:2])+hifor _ in range(iter_n):g = calc_grad_tiled(img, gradi)img += g*(step / (np.abs(g).mean()+1e-7))# 保存图像output_file = 'output' + str(octave+1) + '.jpg'cv2.imwrite(output_file, img)print(output_file)# 加载输入图像
input_img = cv2.imread('input.jpg')
input_img = np.float32(input_img)# 选择层
layer = 'mixed4c'deep_dream(tf.square(graph.get_tensor_by_name("import/%s:0"%layer)), input_img)

tensorflow练习8：实现Google的Deep Dream相关推荐

近期风靡互联网的Deep Dream人工智能图像识别软件
code: https://github.com/google/deepdream/blob/master/dream.ipynb 声明:本译文包含六篇以上原外文内容,现汇合一处,附有大量的链接.实际 ...
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 ...
TensorFlow实现Deep Dream
Deep Dream是Google公司在2015年公布的一项有趣的技术.在训练好的卷积神经网络中,只需要设定几个参数,就可以通过这项技术生成一张图像. 假设输入网络的图像为x,网络输出的各个类别的概率 ...
(tensorflow学习) Deep Dream原理及实现
Deep Dream生成的图像算法原理卷积神经网络,我们输入一张图像后经过各种卷积池化等操作,最后分类出图片属于哪个类别. 可见卷积网络能提取图像中的相应特征.如图各个卷积层,如Conv1提取ed ...
Tensorflow入门（10）——Deep Dream
一.模型 1.AlexNet 卷积神经网络的演进从LeNet到AlexNet到VGGNet.GoogleNet到ResNet.演进的方式是有一定规律的,并且它们也都在ImageNet LSVRC竞赛上 ...
Deep Dream模型
Deep Dream 是Google 公司在2015 年公布的一顶有趣的技术.在训练好的卷积神经网络中,只需要设定几个参数,就可以通过这项技术生成一张图像.生成出的图像不仅令人印象深刻,而且还能帮助我 ...
好玩的Deep Dream
参照<21个项目玩转深度学习>第4章实现的,Deep Dream是google公司在2015年公布的一项有趣技术,通过读取训练模型中某一层的结果值,添加噪声而得到一张结果图,deep Dr ...
Deep Dream 模型
Deep Dream 是 Google 公司在 2015 年公布的一项有趣的技术 .本文通过极大化卷积层某个通道的平均值来生成图像 , 并学习了如何生成更大尺寸和更高质量的图像. 1.导入 Incep ...
TF之DD：利用Inception模型+GD算法生成更高质量的Deep Dream高质量图片
TF之DD:利用Inception模型+GD算法生成更高质量的Deep Dream高质量图片目录输出结果设计思路部分代码输出结果设计思路部分代码 # coding:utf-8#TF之DD ...

tensorflow练习8：实现Google的Deep Dream

tensorflow练习8：实现Google的Deep Dream相关推荐

最新文章

热门文章