Neural style для windows

This guide will walk you through the setup for neural-style on Ubuntu.

Step 1: Install torch7

First we need to install torch, following the installation instructions here:

The first script installs all dependencies for torch and may take a while. The second script actually installs lua and torch. The second script also edits your .bashrc file so that torch is added to your PATH variable; we need to source it to refresh our environment variables:

To check that your torch installation is working, run the command th to enter the interactive shell. To quit just type exit .

Step 2: Install loadcaffe

loadcaffe depends on Google’s Protocol Buffer library so we’ll need to install that first:

Now we can instal loadcaffe :

Step 3: Install neural-style

First we clone neural-style from GitHub:

Next we need to download the pretrained neural network models:

You should now be able to run neural-style in CPU mode like this:

If everything is working properly you should see output like this:

(Optional) Step 4: Install CUDA

If you have a CUDA-capable GPU from NVIDIA then you can speed up neural-style with CUDA.

First download and unpack the local CUDA installer from NVIDIA; note that there are different installers for each recent version of Ubuntu:

Now update the repository cache and install CUDA. Note that this will also install a graphics driver from NVIDIA.

At this point you may need to reboot your machine to load the new graphics driver. After rebooting, you should be able to see the status of your graphics card(s) by running the command nvidia-smi ; it should give output that looks something like this:

(Optional) Step 5: Install CUDA backend for torch

You can check that the installation worked by running the following:

This should produce output like the this:

You should now be able to run neural-style in GPU mode:

(Optional) Step 6: Install cuDNN

cuDNN is a library from NVIDIA that efficiently implements many of the operations (like convolutions and pooling) that are commonly used in deep learning.

After registering as a developer with NVIDIA, you can download cuDNN here. Make sure to download Version 4.

After dowloading, you can unpack and install cuDNN like this:

Next we need to install the torch bindings for cuDNN:

You should now be able to run neural-style with cuDNN like this:

Note that the cuDNN backend can only be used for GPU mode.

Создайте свои собственные “Нейронные Картины” с помощью Глубокого Обучения

Нейронные сети могут делать много разных вещей. Они могут понимать наши голоса, распознавать изображения и переводить речь, но знаете ли вы, что еще они умеют рисовать? Изображение сверху демонстрирует некоторые сгенерированные результаты применения нейронного рисования.

Сегодня я собираюсь познакомить вас с тем как это делается. Прежде всего, убедитесь, что у вас обновленная копия Ubuntu (14.04 — та, что использовал я). Вам необходимо иметь несколько гигов свободного пространства на жестком диске и в оперативной памяти, хотя бы не менее 6 GB (больше оперативки для больших выводимых разрешений). Для запуска Ubuntu как виртуальной машины, вы можете использовать Vagrant вместе с VirtualBox.

Убедитесь, что у вас установлен git. Чтобы скачать и установить git, просто откройте терминал и выполните:

Шаг 1: Установите torch7

Torch — это фреймворк для научных вычислений с широкой поддержкой алгоритмов машинного обучения. Torch является главным пакетом Torch7, где определены структуры данных для многомерных тензоров и математические операции для них. Дополнительно, он предоставляет много утилит для доступа к файлам, сериализации объектов произвольных типов и другие полезные утилиты.

Запустите эти команды в терминале (вам может понадобиться использовать для них sudo):

Теперь нам надо обновить наши переменные окружения, запустите:

Шаг 2: Установите loadcaffe

Выполните в терминале:

Либо, если у вас возникают проблемы, попробуйте так:

Шаг 3: Установите neural-style

Это torch-реализация спецификации Нейронный Алгоритм Художественного Стиля Леона А. Гатиса, Александра С. Эккера и Маттиаса Бетге. Спецификация представляет алгоритм для комбинирования контента одного изображения со стилем другого изображения, используя сверточные нейронные сети.

Сначала склонируйте neural-style с GitHub:

Далее, скачайте модели нейронной сети:

Шаг 4: Запускаем

Теперь убедитесь, что у вас есть хотя бы 6 GB оперативной памяти (если вы используете виртуальную машину, убедитесь, что выделили достаточное количество памяти для нее). Затем проверьте, работает ли нейронный стиль с помощью этой команды:

Заметьте, что вы выполняете это в режиме CPU, выполнение в режиме GPU выходит за рамки данной статьи.

Чтобы увидеть инструкции о том, как использовать нейронный стиль, запустите:

Теперь давайте выполним тестовую команду, чтобы убедиться, что нейронные стили работают. Для начала убедитесь, что вы находитесь в директории нейронных сетей, если вы следовали всем инструкциям выше, вы должны быть в

/neural-network, теперь запустите:

Заметьте, я ввел меньший размер изображения, чтобы обработка закончилась быстрее. Когда команда завершится, выходной файл, со стандартным именем out.png, будет расположен в той же директории.

Результат

golden_gate.jpg

starry_night.jpg

out.png

running on Windows #104

Comments

Deepak- commented Dec 22, 2015

Is it possible to run neural-style on Windows?

Thanks in advance.

The text was updated successfully, but these errors were encountered:

CoelacanthsKill commented Dec 23, 2015

Use Virtualbox, and run ubuntu. Thats the easiest way.

Deepak- commented Dec 23, 2015

Ah yes, thanks @heil-stalin. So it’s definitely not possible to do this on a Windows machine without using Virtualbox?

susloparovdenis commented Dec 23, 2015

The simplest way for you probably would be using docker image with torch, but it still uses VirtualBox for visualization.

Deepak- commented Dec 23, 2015

Thank you for the tip @susloparovdenis I will look into that

jcjohnson commented Dec 25, 2015

@Deepak- neural-style depends on Torch7; installing Torch7 is not officially supported and probably won’t be supported in the future; see torch/torch7#150.

Some brave people have gotten torch to build and run on windows, but it’s probably not worth the effort; as others have suggested I’d recommend virtualizing with something like VirtualBox.

Deepak- commented Dec 25, 2015

@jcjohnson Thank you! I think I know enough now 🙂 Virtualizing seems the way to go yes.

Deepak- commented Dec 25, 2015

@jcjohnson Thank you! I think I know enough now 🙂 Virtualizing seems the way to go yes.

Neural Style Art | Нейросеть — художник

Использование в графическом и видеодизайне. Материалы для загрузки. Ссылки на ресурсы.

Введение

Данный сайт создан для популяризации художественной обработки изображений (перенос стиля одного изображения на другое) нейросетевым алгоритмом A Neural Algorithm of Artistic Style — Нейронный алгоритм художественного стиля (более известный как Neural Style).

Алгоритм разработан Леоном Гатисом, Александром Эккером и Матисом Бетге и был опубликован в августе 2015 года. С весны 2016-го года стал приобретать популярность в различных сервисах по обработке фотографий. Максимальную известность принесло нашумевшее приложение Prisma, работающее на оптимизированной версии алгоритма.

В этом видеоролике можно познакомиться с впечатляющими результатами обработки фотографий:

Примеры обработки видео показаны здесь:

На сайте вы найдете:

Инструкции по установке и использованию, ссылки на онлайн-сервисы и мобильные приложения, готовые к установке образы с предустановленным ПО, примеры работ.
Сайт еще находится в стадии разработки, часть материалов дорабатывается

Для кого это может быть полезно?

Графическим и видеодизайнерам, иллюстраторам, художникам, арт-директорам, всем творческим людям, кому интересно попробовать или внедрить данную технологию в работе.

Где это можно использовать\уже используется?

Массовое использование
Онлайн сервисы и приложения по обработке фото\видео. На данный момент уже работают несколько различных онлайн-сервисов и мобильных приложений по обработке изображений.

Профессиональное и любительское использование
Видеодизайн: музыкальные клипы, заставки, переходы.
Мультипликация: Технология открывает широкие возможности в сфере анимации и мультипликации. Можно обрабатывать уже готовую анимацию, создавать более простую анимацию, с меньшим количеством деталей, для последующей стилизации видеоряда.
Графический дизайн: Быстрая разработка эскизов в различных стилях, стилизация макетов, поиск новых идей.
Художественная деятельность: Быстрая разработка эскизов.
.

Онлайн-сервисы и приложения

Онлайн сервисы

Ostagram.ru — сервис предлагает бесплатную и платную обработку изображений.

Deepart.io — бесплатная и платная обработка изображений, продажа принтов, ОЧЕНЬ платная обработка HD-видео.

Dreamscopeapp.com — бесплатная обработка изображений. Один из самых быстрых сервисов.

Neuralstyle.com — бесплатная обработка изображений.

Neural.0101010101.com некоммерческий проект, бесплатная обработка изображений.

Instapainting.com — бесплатная и платная обработка изображений.

DeepForger.com — бесплатная обработка изображений. Авторизация через Twitter или Facebook.

Мобильные приложения

Malevich — обрабатывает 5 изображений в день бесплатно.

Artisto — бесплатная обработка коротких видеороликов (только с камеры устройства, 5-10 секунд, выходной формат 512 пикселей по большей стороне, 5 кадров в секунду, битрейт — 527 килобит в секунду).

Vinci — аналог Prisma от Вконтакте. Бесплатная обработка фотографий.

Paintbrush — приложение для iOS от сервиса dreamscopeapp.com. Обработка коротких видео и фото.

Pikazo — обработка изображений в стиле современных художников.

Нейрофото — платное приложение для обработки изображений.

Ostagram_bot — бот для обработки фото и коротких видео в Telegram от сервиса Оstagram.ru

ArtisticStyleBot — бот для обработки изображений в Telegram.

Deep Forger — бот для обработки изображений. Доступен в Twitter и Facebook

Самостоятельная установка на компьютере (Windows\Linux\MacOS)

Нейросеть и средства работы с ней работают (пока) только под ОС семейства Unix. Наиболее популярный для использования вариант, это Ubuntu 14.04\Torch. Основная инструкция на английском здесь. Инструкция на русском (без поддержки GPU-ускорения) здесь. Инструкция на русском (с поддержкой GPU, Linux Mint 18\Ubuntu 16.04) — здесь.
Требования к аппаратному обеспечению очень высокие, например для обработки одного кадра HD-видео размером 1280×720 задействовано 20 Гб оперативной памяти, и обработка на 8-ядерном процессоре занимает порядка 3-х часов. Обработка на топовой видеокарте Nvidia займет несколько минут, и порядка 5 Гб графической оперативной памяти.

Windows

Есть 3 варианта использования:

1. Live-CD (загрузка с DVD-диска или флэшки)

Подходит для тестовой обработки, без установки на жесткий диск. Образы можно скачать в разделе «ISO-образы»
Подробная инструкция в разработке.

Linux

Есть 3 варианта использования:

1. Live-CD (загрузка с DVD-диска или флэшки)

Подходит для тестовой обработки, без установки на жесткий диск. Образы можно скачать в разделе «ISO-образы»
Подробная инструкция в разработке.

MacOS

Есть 3 варианта использования:

1. Live-CD (загрузка с DVD-диска или флэшки)

Подходит для тестовой обработки, без установки на жесткий диск. Образы можно скачать в разделе «ISO-образы»
Подробная инструкция в разработке.

Использование виртуальных\физических серверов

Подходит для обработки длительных видео, больших (или большого количества) изображений, также дает использовать мощности, недостижимые на обычном пк.

Виртуальный сервер для обработки на CPU

При возможности установки операционной системы со своего образа, можно использовать готовый образ.

Виртуальный сервер для обработки на GPU

Список сервисов, предоставляющих GPU-ускорение есть на сайте Nvidia.

Самый популярный вариант — Amazon Web Services, там есть два типа инстансов с GPU-ускорением: G2.2xlarge и g2.8xlarge, подробное описание здесь, цены на почасовое использование здесь. Видеоинструкция по работе с AWS (отличие — рассматривается GPU-ускорение на Windows). Также есть внутренний магазин образов систем для разных задач, и можно использовать готовый образ Bitfusion Mobile Deep Learning Service, в котором есть все драйвера и инструменты для работы с нейросетями.

Физический сервер

Собирать или покупать физический сервер для обработки на процессоре не имеет смысла.
При сборке можно подобрать подходящие по соотношению цена\производительность\ОЗУ видеокарты. На данный момент самым оптимальным решением для 8 Гб оперативной графической памяти является GTX 1070.

Готовый сервер для графических вычислений можно найти по запросу «сервер grid», также есть DIGITS DevBox, специально разработанный для обучения нейронных сетей.

ISO-образы для установки

ISO-образ для обработки на CPU*

(Git, Lua, Luarocks, Luajit, Torch, Loadcaffe, Neural-style, VGG ILSVRC 19 layers) 2,1 Gb

*В сборке поддерживается обработка только на процессоре (ключ -gpu -1).
Пароль по умолчанию 123456

ISO-образ для обработки на GPU (Nvidia CUDA)*

(Git, Lua, Luarocks, Luajit, Loadcaffe, Neural-style, VGG ILSVRC 19 layers, Torch, CUDA, cuDNN) 3,6 Gb

*В сборке поддерживаются только видеокарты из данного списка.
Образ тестовый(!) вполне может не запуститься обработка на GPU.
Пароль по умолчанию — 123456

Для записи образа на флэшку можно воспользоваться утилитой Unetbootin

Для обработки на CPU:
Запустить терминал (1) и менеджер файлов (2). Для теста можно использовать изображения-примеры, которые уже лежат в папке neural-style (image.jpg (3) и style.jpg (4)), либо загрузить свои изображения (папка home/neural-style). в терминале набираем команду cd neural-style (5), нажимаем Enter, далее sudo th neural_style.lua -style_image image.jpg -content_image style.jpg -gpu -1 -optimizer lbfgs -image_size 32 -num_iterations 500 (6). Меняем параметры (размер изображения, кол-во итераций, имена файлов исходного изображения и стиля). После нажатия Enter, вводим пароль пользователя user (7), по умолчанию — 123456. После окончания обработки итоговое изображение сохраняется с именем out (8), промежуточные out_100, out_200 и т.д. Прервать обработку можно нажав Ctr+Z в терминале.

Если обработка не начинается и выдает ошибку памяти, следует изменить значение -image_size на более низкое, либо поменять метод обработки -optimizer lbfgs на -optimizer adam (уменьшает потребление памяти, но дает менее качественный результат).

Для обработки на GPU:
Все так же как для обработки на процессоре, только меняются ключи: убираем ключ -gpu -1 , добавляем ключи -backend cudnn -cudnn_autotune .

Видеогалерея

Примеры обработанного видео