说起来这门技术大多是秀的成分高于实际，但是呢，其也可以作为图像增强的工具，看到一些比赛拿他作训练集扩充，还是一个比较好的思路。如何在caffe上面实现简单的风格转化呢?
好像网上的博文都没有说清楚，而且笔者也没有GPU机器，于是乎，走上了漫漫的研究逼死自己之路...
作者实践机器配置：
服务器:ubuntu16.04(8 core)+caffe+only CPU
突然觉得楷体是不是好看多了...哈哈，接下来的博客要改字体喽~
——————————————————————————————
一、图像风格迁移:image style transfer
本节内容来源于CDA深度学习课程，由唐宇迪老师所述，主要参考论文：《Image Style Transfer Using Convolutional Neural Networks》（下载链接）
训练模型要准备四样内容：
1、训练好的模型+参数，官方参考的是VGG16 VGG19、caffenet、googlenet四类，官方准备好下载链接；
2、一张style风格图，用来做模仿；
3、一张content内容图，即可。
4、一张底图N，用来准备改写图，一般都是拿content内容图来做，caffe里面默认也是拿内容图来作为底图。
来看到论文里面的内容，以及训练好一些图像模型，保持权重不变。怎么训练？
把style和content图都过卷积层（如上图），然后输出，不计算权重的loss，而是计算图片的loss。
保持权重不变了，那么训练的时候loss是什么？
算法使用随机的一个白噪声图(white noise image)作为输入,定义与内容图的content loss和风格图的`style loss’,之后使用标准的BP算法更新weight,调整输入的图像(白噪声图)
注意这里是调整输入的图,目的就是对于某个特定的输入图像x,其loss(包含content loss和style losss)达到最小
（参考博客：Image Style Transfer Using Convolutional Neural Network(理论篇)）
那么现在loss改变为
loss=α（底图-风格图）+（1-α）（底图-内容图）=α（N-style）+（1-α）（N-content）
其中的参数α可以理解为转化比率，就是一张图可以长得多像风格图，默认为1e4。
这样就可以把两张图融合在一起，成为一张带有风格特点的图像。
——————————————————————————————
二、caffe实现（单CPU）
本文不累述caffe+单CPU如何实现安装，都是在caffe可以使用的前提下进行后续。不明白可参考另外caffe+单CPU安装教程：caffe+CPU︱虚拟机+Ubuntu16.04+CPU+caffe安装笔记
1、实现前提
pycaffe是否可以使用？
答：来到caffe文件夹下的Python文件夹（./caffe/python），打开python 然后：import caffe
有报错：
如果是“no module caffe”的报错，修改一下环境变量：
- export PYTHONPATH=/caffe/python:$PYTHONPATH
如果其他报错，那你得再看看caffe安装哪一步出错了。
2、style-transfer实现步骤
（1）github下载，style-transfer相关代码，下载链接；
（2）pycaffe环境布置，因为github上的代码是基于pycaffe的，所以需要配置python progressbar，
- pip install progressbar
（3）下载训练好模型，放在对的地方：
方法一：官方有下载链接，执行在\scripts 下的download_models.sh 就会出现下载
方法二：上面方法下载不了，可以直接用他们的链接下载：
googlenet：http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel caffenet：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel vgg16：http://www.robots.ox.ac.uk/~vgg/software/very_deep/caffe/VGG_ILSVRC_16_layers.caffemodel vgg19：http://www.robots.ox.ac.uk/~vgg/software/very_deep/caffe/VGG_ILSVRC_19_layers.caffemodel
都挺大的，VGG16就有500+MB，下载好了，还不行，还要注意，放在对的文件夹下：./model/vgg16
那么一个可以使用的训练好的模型文件夹有三样东西：ilsvrc_2012_mean.npy、VGG_ILSVRC_16_layers.caffemodel、VGG_ILSVRC_16_layers_deploy.prototxt
（4）运行模型
- python style.py -s <style_image> -c <content_image> -m <model_name> -g 0
要对应在style-transfer文件夹然后才执行上述代码才可以哟,才使用上述内容。
主要必须有的参数解析：
-s，风格图位置；
-c,内容图位置；
-m，模型位置；
-g，什么模式，-1为CPU，0为单个GPU，1为两个GPU。
其他默认或不必须参数：
parser.add_argument("-r", "--ratio", default="1e4", type=str, required=False, help="style-to-content ratio")
非必要，转化比率，有默认值，1e4,10^-4,0.00001
parser.add_argument("-n", "--num-iters", default=512, type=int, required=False, help="L-BFGS iterations")
非必要，有默认值，多少次会输出一次结果
3、风格/内容的比率ratio对结果的影响
比值越小合成的图风格化越明显（参考：Image Style Transfer Using Convolutional Neural Network(理论篇)）
4、初始化方法对结果的影响（以风格图作为底图还是随机产生底图）
作者表示，扔入不同的底图方案都不会十分影响最后的结果。但是区别在于，如果你想一次性输出很多张图片的话，那么你就需要设置初始化为白噪声图，如果你一开始选择的就是内容图作为底图，那么这么多张图片都会长得一样，不具有其他分布了。
——————————————————————————————
三、网络上的案例
来自于网上：基于caffe的艺术迁移学习 style-transfer-windows+caffe
下面是运行代码的格式： python style.py -s <style_image> -c <content_image> -m <model_name> -g 0
在windows下 切换到style.py 所在的目录，输入代码如下
python style.py -s images/style/starry_night.jpg -c images/content/nanjing.jpg -m vgg19 -g 0
可见上面例子中，style-image对应starry_night.jpg 即风格图像, content_image对应自己的照片nanjing.jpg, 模型选择vgg19, g 0对应选择默认的GPU，如果是g -1则为CPU
然后回车就能运行，得到上述结果了。 下面是运行的示意图：
可以看到，选择GPU、然后加载图像和模型成功后就开始跑了，左侧是显示运行进度，已经是6%，还需要54分钟左右，由于图像比较大，时间比较长。
网络上有人在titanX上合成图片，（参考：Image Style Transfer Using Convolutional Neural Network(理论篇)）
一张140*480的图,迭代300次,在titan x上用时30s左右
——————————————————————————————
四、优化以及报错问题探究
1、报错一：
- 报错：WARNING: Logging before InitGoogleLogging() is written to STDERR
- F1226 22:43:57.664203 10578 common.cpp:66] Cannot use GPU in CPU-only Caffe: check mode.
是因为你写代码的时候写错了，因为我的是CPU环境，所以要-g -1，我当时写成-g 0了（GPU环境），于是就报错了。
2、报错二：显示不了进度条：Optimizing: 0% | | ETA: --:--:--
CPU太慢了，要等他一会，才能有时间估计...
3、优化一：为啥输出的图片都是512的呢？
系统默认的，你风格图+内容图是什么尺寸，输出的图片都是512.当然你可以修改参数来获得更大的尺寸。参考：基于caffe的艺术迁移学习 style-transfer-windows+caffe
更改style.py的一些内容：
parser.add_argument("-l", "--length", default=1024, type=float, required=False, help="maximum image length")
def transfer_style(self, img_style, img_content, length=1024, ratio=1e5,
n_iter=512, init="-1", verbose=False, callback=None)
可以设置图像输出的尺寸大小，例如你自己的照片图像大小是1024*500 ，更改输出length=1024,可以获得与原始图像一致的尺寸。
不更改的话，程序中默认输出是512宽度，和输入原始图像一致的宽长比。
——————————————————————————————
五、caffe在CPU环境下如何优化效率？
CPU运行caffe简直就是闹着玩一样...超级慢，自己的游戏笔记本，i7-6700HQ,单核合成一张图要25h... 要人命...
1、优化办法一:多核CPU
执行多CPU核操作，那么如何让caffe可以适应多个CPU一起用呢？笔者在网络上看了很多博文，基本在caffe配置中，就得进行修改。
来到caffe文件夹，make clean之后，可以用多线程加速（需要sudo？）：
- make all -j4
- make test -j4
- make runtest -j4
（PS，网上也有说单独在make all后面加-j4就可以了，笔者也不知道这块内容是不是这样）
（PS，而且好像-j4，利用4核是最优的方案，核心数用多了反而不好，会出现错误或者速度变慢，why？？）
执行如下命令编译 pycaffe：
- make pycaffe -j4
之后，再执行就ok了。但是呢，笔者在实践的过程中发现好像-j4之后，都make了，还是使用的是单核运算？ 不知道有看客大牛可以留下你们的经验不..
当然，在make pycaffe之后，还有网友有再执行make distribute的，不知道有没有用（深度学习工具caffe详细安装指南）
1、深度学习框架Caffe的编译安装
3、开源深度学习框架Caffe在Ubuntu14.04下的搭建
2、优化办法二：caffe使用工具开启多线程：openblas-openmp(多线程版本)
Caffe用到的Blas可以选择Altas,OpenBlas,Intel MKL,Blas承担了大量了数学工作，所以在Caffe中Blas对性能的影响很大。 MKL要收费，Altas略显慢(在我的电脑上运行Caffe自带的example/mnist/lenet_solver.prototxt，大概需要45分钟。。。)
根据网上资料的介绍使用OpenBlas要快一些，于是尝试安装使用OpenBlas来加速训练过程。
用OpenBlas时，OPENBLAS_NUM_THREADS设置为最大，让CPU负载跑满，并不能大幅提高速度，这是为什么？一直没搞明白。
3、优化办法三——修改迭代次数
修改迭代次数。作者也说特别是CPU版本的caffe，减少迭代次数，是一个非常好的办法，因为cpu太慢了。。
作者分别尝试了 50, 100, 200, 400, and 800这样5中的迭代次数。
内容图和风格图是：
之后的效果是：
感觉50的已经差不多了，迭代越多，也就是背景纹理在改变。
——————————————————————————————
六、哪种训练模型比较好？
效率优化方面，因为不同的模型参数不一样，所以喽，你可以down一些比较小的模型也可以加速，不过其实不明显，还不如修改迭代次数来着更简单粗暴。
从外观来看，VGG模型效果比较好。caffeNet太丑，就没放，但是caffeNet是最快的（作者也是任性...）
googleNet比AlexNet参数少，网络还深，当然效果看起来，学得没VGG好。