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-BFGS: 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-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
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”，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-multidevice_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://github.com/ProGamerGov/neural-style-pt
