本文來自AI新媒體量子位（QbitAI）
正在研究機器學習的全棧碼農Dendrick Tan在部落格上釋出了一份教程+代碼：用PyTorch實作将色塊拼湊成的圖檔，轉換為一幅Bob Ross風格的畫作。
說到Bob Ross，這頭蓬松的秀發你可能有點印象……
他在電視節目《歡樂畫室》上教了11年畫畫，還推出了同名的美術用品品牌，也出版了不少教材。
他的畫，基本上是這個風格：
量子位今天要介紹的這個教程，就叫drawlikebobross。
drawlikebobross項目的目标是，将一張色塊拼湊而成的圖檔轉變成（看起來有點像）Bob Ross油畫風格的圖像，如下圖所示：
在我們開始訓練網絡之前，首先需要擷取資料來建構資料集。幸運的是，通過谷歌搜尋，我在twoinchbrush網站上找到了一個關于Bob Ross作品的資料集。
這個網站的優點是它包含所有的Bob Ross作品，并按照如下格式列出：
<a>http://www.twoinchbrush.com/images/painting1.png</a> <a>http://www.twoinchbrush.com/images/painting2.png</a> <a>http://www.twoinchbrush.com/images/painting3.png</a> <a>http://www.twoinchbrush.com/images/paintingN.png</a>
開源代碼中的scrapper.sh就是用來完成這項工作的。
由于我們的目标是将色塊圖檔轉換為Bob Ross風格的圖像，是以我決定使用平均偏移濾波（mean shift filtering）來實作圖像平滑操作，将得到的色塊圖像作為輸入，原始圖像作為輸出。
為了最大限度地減少訓練時間，我将大部分原始圖像預處理成平滑的色塊圖檔，并存儲為HDF5格式。由于HDF5的快速可讀寫性能，我們能夠快速地測試不同的神經網絡結構，無需在訓練時間内多次重複預處理資料，這樣，就節省了大量的時間。
部落格介紹中對AAE的評價是：“我覺得本文中最有趣的想法是不利用變分推理方法，而是使用對抗訓練的方法将編碼器的輸出分布q（z | x）映射到任意先驗分布p（z）的概念。”
△ 對抗自動編碼器AAE的網絡結構
我們希望将色塊圖檔輸入到網絡，輸出為Bob Ross風格的圖像。具體實作流程如下。
△ 利用AAE網絡實作風格遷移
我選擇使用PyTorch來實作這個模型，是因為我一直在用它，也是因為與TensorFlow相比，這個架構的API很好用，且保持着很強的一緻性，自從用了它，效率提升了幾十倍。
該模型的訓練過程可以分為四個部分：
models.py：神經網絡的結構；
loader.py：資料載入操作；
trainer.py：訓練網絡的超參數配置；
train.py：訓練的啟動檔案；
通過這種方式，如果想改變神經網絡的結構，隻需要再次編輯models.py和trainer.py，很容易進行修改。
網絡訓練的時間越長，則網絡輸出Bob Ross風格的圖像效果越好。
由于我使用的是ThinkPad t460s，自帶的GPU計算性能不好，是以我在AWS上租了一個g2工作站，花了大約一天的時間，運作了2500步，來訓練這個模型。
drawlikebobross的開源代碼中還包含一個網頁App，歡迎下載下傳測試，告訴我們結果如何。
也強烈推薦想嘗試PyTorch的同學，花兩天時間用這樣一個小項目練手~
我們整理了文章所有相關連結，在量子位公衆号（QbitAI）對話界面回複“BobRoss”檢視。
本文作者：王新民
原文釋出時間：2017-04-09