style-transfer

# # style Transfer
# In this notebook we will implement the style transfer technique from [“Image style Transfer Using Convolutional Neural Networks“ （Gatys et al. CVPR 2015）]（http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Gatys_Image_style_Transfer_CVPR_2016_paper.pdf）.
#
# The general idea is to take two images and produce a new image that reflects the content of one but the artistic “style“ of the other. We will do this by first formulating a loss function that matches the content and style of each respective image in the feature space of a deep network and then performing gradient descent on the pixels of the image itself.
#
# The deep network we use as a feature extractor is [SqueezeNet]（https://arxiv.org/abs/1602.07360） a small model that has been trained on ImageNet. You could use any network but we chose SqueezeNet here for its small size and efficiency.
#
# Here‘s an example of the images you‘ll be able to produce by the end of this notebook:
#
# ![caption]（example_styletransfer.png）
#
#

# Set up

from scipy.misc import imread imresize
import numpy as np
import os
from scipy.misc import imread
import matplotlib.pyplot as plt

# Helper functions to deal with image preprocessing
from cs231n.image_utils import load_image preprocess_image deprocess_image

from cs231n.classifiers.squeezenet import SqueezeNet
import tensorflow as tf


def get_session（）:
    “““Create a session that dynamically allocates memory.“““
    # See: https://www.tensorflow.org/tutorials/using_gpu#allowing_gpu_memory_growth
    config = tf.ConfigProto（）
    config.gpu_options.allow_growth = True
    session = tf.Session（config=config）
    return session

def rel_error（xy）:
    return np.max（np.abs（x - y） / （np.maximum（1e-8 np.abs（x） + np.abs（y））））

# Older versions of scipy.misc.imresize yield different results
# from newer versions so we check to make sure scipy is up to date.
def check_scipy（）:
    import scipy
    vnum = int（scipy.__version__.split（‘.‘）[1]）
    assert vnum >= 16 “You must install SciPy >= 0.16.0 to complete this notebook.“

check_scipy（）


# Load the pretrained SqueezeNet model. This model has been ported from PyTorch see ‘cs231n/classifiers/squeezenet.py‘ for the model architecture.
#
# To use SqueezeNet you will need to first **download the weights** by changing into the ‘cs231n/datasets‘ directory and running ‘get_squeezenet_tf.sh‘ . Note that if you ran ‘get_assignment3_data.sh‘ then SqueezeNet will already be downloaded.


tf.reset_default_graph（） # remove all existing variables in the graph
sess = get_session（） # start a new Session

# Load pretrained SqueezeNet model
SAVE_PATH = ‘cs231n/datasets/squeezenet_tf/squeezenet.ckpt‘
# if not os.path.exists（SAVE_PATH）:
#     raise ValueError（“You need to download SqueezeNet!“）
model = SqueezeNet（save_path=SAVE_PATH sess=sess）

# Load data for testing
content_img_test = preprocess_image（load_image（‘styles/