量子位 出品 | "大众年夜众号 QbitAI
正在研究机器学习的全栈码农Dendrick Tan在博客上发布了一份教程+代码：用PyTorch实现将色块拼凑成的图片，转换为一幅Bob Ross风格的画作。
说到Bob Ross，这头蓬松的秀发你可能有点印象……
他在电视节目《欢快画室》上教了11年画画，还推出了同名的美术用品品牌，也出版了不少教材。
他的画，基本上是这个风格：
量子位本日要先容的这个教程，就叫drawlikebobross。
是什么？drawlikebobross项目的目标是，将一张色块拼凑而成的图片转变成（看起来有点像）Bob Ross油画风格的图像，如下图所示：
怎么做？
获取数据
在我们开始演习网络之前，首先须要获取数据来构建数据集。幸运的是，通过谷歌搜索，我在twoinchbrush网站上找到了一个关于Bob Ross作品的数据集。
这个网站的优点是它包含所有的Bob Ross作品，并按照如下格式列出：
http://www.twoinchbrush.com/images/painting1.png
http://www.twoinchbrush.com/images/painting2.png
http://www.twoinchbrush.com/images/painting3.png
http://www.twoinchbrush.com/images/paintingN.png
开源代码中的scrapper.sh便是用来完成这项事情的。
数据预处理
由于我们的目标是将色块图片转换为Bob Ross风格的图像，以是我决定利用均匀偏移滤波（mean shift filtering）来实现图像平滑操作，将得到的色块图像作为输入，原始图像作为输出。
为了最大限度地减少演习韶光，我将大部分原始图像预处理成平滑的色块图片，并存储为HDF5格式。由于HDF5的快速可读写性能，我们能够快速地测试不同的神经网络构造，无需在演习韶光内多次重复预处理数据，这样，就节省了大量的韶光。
神经网络构造
这个项目所利用的网络构造叫做对抗自动编码器（Adversarial Autoencoder），也被简称为AAE。关于AAE，有一篇博客先容（http://hjweide.github.io/adversarial-autoencoders）和一篇论文（https://arxiv.org/abs/1511.05644）。
博客先容中对AAE的评价是：“我以为本文中最有趣的想法是不利用变分推理方法，而是利用对抗演习的方法将编码器的输出分布q（z | x）映射到任意先验分布p（z）的观点。”
△ 对抗自动编码器AAE的网络构造
将数据输入我们的模型
我们希望将色块图片输入到网络，输出为Bob Ross风格的图像。详细实现流程如下。
△ 利用AAE网络实现风格迁移
我选择利用PyTorch来实现这个模型，是由于我一贯在用它，也是由于与TensorFlow比较，这个框架的API很好用，且保持着很强的同等性，自从用了它，效率提升了几十倍。
该模型的演习过程可以分为四个部分：
models.py：神经网络的构造；
loader.py：数据载入操作；
trainer.py：演习网络的超参数配置；
train.py：演习的启动文件；
通过这种办法，如果想改变神经网络的构造，只须要再次编辑models.py和trainer.py，很随意马虎进行修正。
演习
网络演习的韶光越长，则网络输出Bob Ross风格的图像效果越好。
由于我利用的是ThinkPad t460s，自带的GPU打算性能不好，以是我在AWS上租了一个g2事情站，花了大约一天的韶光，运行了2500步，来演习这个模型。
其余drawlikebobross的开源代码中还包含一个网页App，欢迎下载测试，见告我们结果如何。
也强烈推举想考试测验PyTorch的同学，花两天韶光用这样一个小项目练手~
我们整理了文章中提到的所有干系链接，在量子位公众号（QbitAI）对话界面回答“色块变油画”查看。
本日AI界还有哪些事值得关注？在量子位（QbitAI）"大众年夜众号会话界面回答“本日”，看我们全网包罗的AI行业和研究动态。笔芯❤~