464    Глава 12. Генеративное глубокое обучение

12.2. DEEPDREAM

DeepDream.—.это.метод.художественной.обработки.изображений,.основанный.на. использовании.представлений,.полученных.сверточными.нейронными.сетями..

Впервые.он.был.реализован.в.компании.Google.летом.2015.года.как.демонстрация. возможностей.библиотеки.глубокого.обучения.Caffe.(она.появилась.за.несколько. месяцев.до.выхода.первой.общедоступной.версии.TensorFlow)1..В.интернете.он. быстро.превратился.в.сенсацию.благодаря.получаемым.с.его.помощью.психоделическим.картинам.(см.,.например,.рис..12.4),.наполненным.алгоритмическими. иллюзиями,.птичьими.перьями.и.собачьими.глазами.—.побочный.эффект.об- учения.сверточной.сети.DeepDream.на.изображениях.из.ImageNet,.где.породы. собак.и.виды.птиц.представлены.шире.всего.

Рис. 12.4. Пример изображения, созданного с помощью DeepDream

Алгоритм.DeepDream.почти.идентичен.методу.визуализации.фильтров.сверточных.сетей,.представленному.в.главе.9,.и.состоит.из.сверточной.сети,.действу­ ющей.в.обратном.направлении:.выполняет.градиентное.восхождение.по.входным. данным,.максимизируя.активацию.определенного.фильтра.в.более.высоком.слое. сверточной.сети..DeepDream.использует.ту.же.идею.с.небольшими.различиями:

.алгоритм.DeepDream.пытается.максимизировать.активацию.всех.слоев,.а.не. только.определенного.фильтра,.тем.самым.смешивая.визуализации.большего. количества.признаков;

1 . Mordvintsev A., Olah C., Tyka M. .DeepDream:.A.Code.Example.for.Visualizing.Neural. Networks.//.Google.Research.Blog,.July.1,.2015,.http://mng.bz/xXlM.

12.2. DeepDream    465

.вы.начинаете.не.на.пустом.месте,.со.случайных.входных.данных,.а.с.име­ ющегося.изображения.—.в.результате.получающиеся.эффекты.замыкаются. на.существующие.визуальные.шаблоны,.искажая.элементы.изображения.на. художественный.манер;

.входные.изображения.обрабатываются.в.разных.масштабах.(называемых. октавами),.что.улучшает.качество.визуализации.

Давайте.немного.поэкспериментируем.с.DeepDream.

12.2.1. Реализация DeepDream в Keras

Для.начала.получим.изображение.для.создания.изобразительных.фантазий..

Мы.будем.использовать.вид.на.суровое.побережье.Северной.Калифорнии.зимой. (рис..12.5).

Листинг 12.9. Получение изображения для экспериментов

from tensorflow import keras import matplotlib.pyplot as plt

base_image_path = keras.utils.get_file(

"coast.jpg", origin="https://img-datasets.s3.amazonaws.com/coast.jpg")

plt.axis("off") plt.imshow(keras.utils.load_img(base_image_path))

Рис. 12.5. Изображение для экспериментов

Модель, возвращающая значения активаций для каждого целевого слоя (в форме словаря)

466    Глава 12. Генеративное глубокое обучение

Нам.также.понадобится.предварительно.обученная.сверточная.сеть..В.Keras. имеется.несколько.таких.сетей:.VGG16,.VGG19,.Xception,.ResNet50.и.т..д.,. и.все.они.доступны.с.весами,.предварительно.обученными.на.наборе.данных. ImageNet..Реализовать.DeepDream.можно.с.любой.из.них,.но,.как.вы.понимаете,.выбор.повлияет.на.характер.визуализаций,.потому.что.разные.сверточные. архитектуры.выделяют.из.исходных.данных.разные.признаки..В.оригинальной. версии.DeepDream.использовалась.модель.Inception;.на.практике.она.известна. красиво.выглядящими.картинками.DeepDreams,.поэтому.мы.возьмем.модель. Inception.V3,.входящую.в.состав.Keras.

Листинг 12.10. Создание экземпляра предварительно обученной модели Inception V3

from tensorflow.keras.applications import inception_v3

model = inception_v3.InceptionV3(weights="imagenet", include_top=False)

Мы.используем.предварительно.обученную.сверточную.сеть.для.создания.модели.извлечения.признаков,.которая.будет.возвращать.активации.различных. промежуточных.слоев,.перечисленных.в.листинге.12.11..Для.каждого.слоя.мы. получим.скалярную.оценку,.взвешивающую.вклад.слоя.в.потери,.которые.мы. будем.максимизировать.в.процессе.градиентного.восхождения..Если.вам.нужен. полный.список.имен.слоев,.чтобы.попробовать.разные.их.комбинации,.просто. используйте.model.summary().

Листинг 12.11. Определение вклада каждого слоя в потери DeepDream

layer_settings = { "mixed4": 1.0, "mixed5": 1.5, "mixed6": 2.0, "mixed7": 2.5,

}

outputs_dict = dict(

[

Слои, для которых мы постараемся максимизировать активации, и их веса в общей сумме потерь. Эти параметры можно настраивать и получать новые визуальные эффекты

Символические выходы каждого слоя

(layer.name, layer.output)

for layer in [model.get_layer(name) for name in layer_settings.keys()]

]

)

feature_extractor = keras.Model(inputs=model.inputs, outputs=outputs_dict)

Теперь.вычислим.потери:.величину,.которую.мы.будем.максимизировать.в.процессе.градиентного.восхождения..В.главе.9,.обсуждая.визуализацию.фильтров,. мы.пытались.максимизировать.значение.определенного.фильтра.в.определенном. слое..Здесь.мы.будем.максимизировать.одновременно.активации.всех.фильтров. в.нескольких.слоях..В.данном.случае.максимизироваться.будет.взвешенная. сумма.L2-норм.активаций.набора.верхних.слоев..Точный.набор.выбранных. слоев.(а.также.их.вклад.в.окончательное.значение.потерь).оказывает.большое.

Loss value at step {i}: {loss:.2f}")

Прервать цикл, если потери превысили определенный порог (чрезмерная оптимизация приведет к появлению нежелательных артефактов на изображении)

Обновить

изображения в цикле, чтобы

увеличить потери DeepDream

Вычислить градиенты потерь DeepDream для текущего изображения

Чтобы ускорить шаг обучения, скомпилируем его как tf.function

Извлечение

активаций

Инициализация значений потерь нулями

12.2. DeepDream    467

влияние.на.производимые.визуальные.эффекты,.поэтому.мы.должны.сделать. эти.параметры.легко.настраиваемыми..Нижние.слои.порождают.геометрические. шаблоны,.а.верхние.создают.эффекты,.в.которых.можно.распознать.некоторые. классы.из.набора.ImageNet.(например,.птицы.или.собаки)..Начнем.с.произвольно.выбранной.конфигурации,.состоящей.из.четырех.слоев,.но.позднее.вы. наверняка.захотите.исследовать.другие.конфигурации.

Листинг 12.12. Определение потерь для DeepDream

def compute_loss(input_image):

features = feature_extractor(input_image) loss = tf.zeros(shape=()) for name in features.keys():

coeff = layer_settings[name] activation = features[name]

loss += coeff * tf.reduce_mean(tf.square(activation[:, 2:-2, 2:-2, :])) return loss

Чтобы избежать краевых эффектов, из вычисления потерь исключаются пиксели, находящиеся на краях изображения

Теперь.настроим.процесс.градиентного.восхождения,.который.будет.применяться. к.каждой.октаве..Вы.наверняка.заметите,.что.здесь.используется.тот.же.прием,. что.и.для.визуализации.фильтров.в.главе.9!.Алгоритм.DeepDream.—.это.просто. форма.визуализации.фильтра.в.нескольких.масштабах.

Листинг 12.13. Процесс градиентного восхождения

import tensorflow as tf

@tf.function

def gradient_ascent_step(image, learning_rate): with tf.GradientTape() as tape:

tape.watch(image)

loss = compute_loss(image) grads = tape.gradient(loss, image) grads = tf.math.l2_normalize(grads) image += learning_rate * grads return loss, image

Нормализовать

градиенты (этот трюк уже использовался в главе 9)

Запускает градиентное восхождение для данного масштаба изображения (октавы)

def gradient_ascent_loop(image, iterations, learning_rate, max_loss=None): for i in range(iterations):

loss, image = gradient_ascent_step(image, learning_rate) if max_loss is not None and loss > max_loss:

break print(f"...

return image

Преобразование в тип uint8 и усечение до допустимого диапазона [0,255]

Отмена операций, выполненных моделью Inception v3

468    Глава 12. Генеративное глубокое обучение

Наконец.добавим.внешний.цикл.алгоритма.DeepDream..Сначала.определим. список.масштабов .(также.называемых.октавами),.в.которых.будут.обрабатываться.изображения..Мы.будем.обрабатывать.наше.изображение.с.тремя. разными.октавами..Для.каждой.последующей.октавы,.от.самой.маленькой.до. самой.большой,.мы.будем.выполнять.20.шагов.градиентного.восхождения,.вызывая.gradient_ascent_loop(),.чтобы.максимизировать.потери,.которые.мы. определили.выше..Каждая.следующая.октава.будет.крупнее.предыдущей.на.40.%. (в.1,4.раза):.мы.начнем.с.обработки.маленького.изображения.и.затем.постепенно. будем.увеличивать.его.(рис..12.6).

Параметры.этого.процесса.определяются.в.следующем.фрагменте.кода..Настраи­ вая.их,.вы.сможете.добиться.новых.эффектов!

			Размер шага градиентного восхождения
step = 20.					Количество масштабов, на которых
					выполняется градиентное восхождение
num_octave = 3
						Отношение между соседними масштабами
octave_scale = 1.4
iterations = 30					Число шагов восхождения
max_loss = 15.
					для каждого масштаба
			Если величина потерь вырастет больше этого значения,
			мы должны прервать процесс градиентного восхождения

Нам.также.понадобится.пара.вспомогательных.функций.для.загрузки.и.сохранения.изображения.

Листинг 12.14. Вспомогательные функции для обработки изображений

import numpy as np			Открывает изображение,
			изменяет его размер и преобразует
def preprocess_image(image_path):			в соответствующий массив
img = keras.utils.load_img(image_path)
img = keras.utils.img_to_array(img)
img = np.expand_dims(img, axis=0)
img = keras.applications.inception_v3.preprocess_input(img)
return img			Вспомогательная функция
			для преобразования массива NumPy
def deprocess_image(img):			в допустимое изображение

img = img.reshape((img.shape[1], img.shape[2], 3)) img /= 2.0

img += 0.5 img *= 255.

img = np.clip(img, 0, 255).astype("uint8") return img

Рис. 12.6. Процесс DeepDream: последовательные масштабы пространственной обработки (октавы) и повторное внедрение деталей при увеличении масштаба

470    Глава 12. Генеративное глубокое обучение

А.теперь.перейдем.к.внешнему.циклу..Чтобы.избежать.потери.деталей.изображения.после.каждого.увеличения.масштаба.(в.результате.чего.появляются. эффекты.размытия.или.мозаичности),.можно.использовать.простой.прием:.после. каждого.изменения.масштаба.повторно.внедрять.в.изображение.потерянные. детали,.что.возможно.благодаря.знанию,.как.должно.выглядеть.исходное.изображение.в.увеличенном.масштабе..Имея.маленькое.изображение.размером.S. и.большое.—.размером.L,.можно.вычислить.разницу.между.оригинальным.изо- бражением.с.увеличенным.размером.L.и.оригинальным.изображением.с.умень- шенным.размером.S.—.эта.разница.количественно.отражает.потерянные.детали. при.переходе.от.размера.S.к.размеру.L.

Листинг 12.15. Выполнение градиентного восхождения через последовательность октав

	Выполнение градиентного восхождения
	с изменением изображения
	original_img = preprocess_image(base_image_path)			Вычисление целевой
	original_shape = original_img.shape[1:3]	Загрузка		формы изображения
				для разных октав
	successive_shapes = [original_shape]	базового
		изображения
	for i in range(1, num_octave):
	shape = tuple([int(dim / (octave_scale ** i)) for dim in original_shape])
	successive_shapes.append(shape)
	successive_shapes = successive_shapes[::-1]

shrunk_original_img = tf.image.resize(original_img, successive_shapes[0])

img = tf.identity(original_img)			Создание копии изображения
			(оригинал нам еще понадобится)					Выполнение
for i, shape in enumerate(successive_			shapes):					обхода разных
	print(f"Processing octave {i} with shape {shape}")							октав
	img = tf.image.resize(img, shape)				Увеличение изображения
	img = gradient_ascent_loop(

img, iterations=iterations, learning_rate=step, max_loss=max_loss

)

upscaled_shrunk_original_img = tf.image.resize(shrunk_original_img, shape) same_size_original = tf.image.resize(original_img, shape)

lost_detail = same_size_original - upscaled_shrunk_original_img

img += lost_detail Повторное внедрение деталей shrunk_original_img = tf.image.resize(original_img, shape)

		Сохранение
keras.utils.save_img("dream.png", deprocess_image(img.numpy()))		результата

Увеличение уменьшенной версии исходного изображения: в результате появится эффект мозаичности

Разница между двумя изображениями — это детали, утерянные в результате масштабирования

Вычисление улучшенной версии исходного изображения заданного размера

12.2. DeepDream    471

ПРИМЕЧАНИЕ

Оригинальная.сеть.Inception.V3.была.обучена.распознавать.образы.на.изображениях. размером.299.×.299,.поэтому,.с.учетом.того.что.процесс.выполняет.уменьшение.мас­ штаба.изображений.с.разумным.коэффициентом,.реализация.DeepDream.производит. лучшие.результаты . для . изображений . размерами . между . 300 . ×. 300 . и . 400 . ×. 400.. Тем.не.менее.вы.можете.использовать.тот.же.код.для.обработки.изображений.любого. размера.с.любым.соотношением.сторон.

На.GPU.весь.код.выполняется.всего.несколько.секунд..На.рис..12.7.показан. результат.обработки.выбранного.нами.изображения.алгоритмом.DeepDream.

Настоятельно.рекомендую.попробовать.разные.настройки.слоев,.которые.используются.для.определения.потерь..Слои,.находящиеся.в.сети.ниже,.содержат. более.локальные,.менее.абстрактные.представления.и.порождают.более.геометричные.шаблоны..Слои,.находящиеся.выше,.порождают.эффекты,.в.которых. можно.распознать.объекты,.наиболее.часто.встречающиеся.в.наборе.ImageNet,. такие.как.собачьи.глаза,.перья.птиц.и.т..д..Вы.можете.организовать.случайный. перебор.параметров.в.словаре.layer_settings,.чтобы.быстро.оценить.множество.разных.комбинаций.слоев..На.рис..12.8.показан.диапазон.результатов,. полученных.с.использованием.разных.конфигураций.слоев.из.изображения. с.домашними.булочками.

Рис. 12.7. Результат обработки изображения реализацией алгоритма DeepDream