做网站商城,公司做的网站怎么维护,工装装饰公司,wordpress 知识库模板准备
官方教程#xff1a; 任意风格的快速风格转换
模型下载地址#xff1a; https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2
学习
加载要处理的内容图片和风格图片
# 用于将图像裁剪为方形def crop_center(image):# 图片原始形状shape image…准备
官方教程 任意风格的快速风格转换
模型下载地址 https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2
学习
加载要处理的内容图片和风格图片
# 用于将图像裁剪为方形def crop_center(image):# 图片原始形状shape image.shape# 新形状new_shape min(shape[1], shape[2])offset_y max(shape[1]-shape[2], 0) // 2offset_x max(shape[2]-shape[1], 0) // 2# 返回新图片image tf.image.crop_to_bounding_box(image, offset_y, offset_x, new_shape, new_shape)return image# 加载并预处理图片def load_image(image_url, image_size(256, 256), preserve_aspect_ratioTrue):# 缓存图像文件image_path tf.keras.utils.get_file(os.path.basename(image_url)[-128:], image_url)# 加载并转换为float32 numpy数组添加批次维度并规范化为范围[01]。img tf.io.decode_image(tf.io.read_file(image_path),channels3, dtypetf.float32)[tf.newaxis, ...]img crop_center(img)img tf.image.resize(img, image_size, preserve_aspect_ratioTrue)return img# 展示图片def show_n(images, titles(,)):n len(images)image_sizes [image.shape[1] for image in images]w (image_sizes[0] * 6) // 320plt.figure(figsize(w * n, w))gs gridspec.GridSpec(1, n, width_ratiosimage_sizes)for i in range(n):plt.subplot(gs[i])plt.imshow(images[i][0], aspectequal)plt.axis(off)plt.title(titles[i] if len(titles) i else )plt.show()content_image_url https://scpic3.chinaz.net/files/default/imgs/2023-11-16/6e397d19e172be9f_s.jpg
style_image_url https://scpic3.chinaz.net/files/default/imgs/2023-11-05/d217bbaf821e3a73_s.jpg
output_image_size 384# 调整内容图像的大小
content_img_size (output_image_size, output_image_size)
# 样式图片大小
style_img_size (256, 256)
# 加载并展示图片
content_image load_image(content_image_url, content_img_size)
style_image load_image(style_image_url, style_img_size)
style_image tf.nn.avg_pool(style_image, ksize[3, 3], strides[1, 1], paddingSAME)
show_n([content_image, style_image], [Content image, Style image])加载模型进行风格迁移
# 加载模型
hub_module hub.load(./magenta_arbitrary-image-stylization-v1-256_2)
# 风格迁移
outputs hub_module(tf.constant(content_image), tf.constant(style_image))
stylized_image outputs[0]
# 展示迁移后的图片
show_n([content_image, style_image, stylized_image], titles[Original content image, Style image, Stylized image])加载本地图片 加载本地图片的话只需要将加载网络图片的代码改成下面的
def load_image(image_url, image_size(256, 256), preserve_aspect_ratioTrue):# 缓存图像文件# image_path tf.keras.utils.get_file(# os.path.basename(image_url)[-128:], image_url)# 加载并转换为float32 numpy数组添加批次维度并规范化为范围[01]。img tf.io.decode_image(tf.io.read_file(image_url),channels3, dtypetf.float32)[tf.newaxis, ...]img crop_center(img)img tf.image.resize(img, image_size, preserve_aspect_ratioTrue)return img下面的效果图是基于一只狗和梵高的星空生成的 完整代码 # import os
from matplotlib import gridspec
import matplotlib.pylab as plt
import numpy as np
import tensorflow as tf
import tensorflow_hub as hub# 用于将图像裁剪为方形def crop_center(image):# 图片原始形状shape image.shape# 新形状new_shape min(shape[1], shape[2])offset_y max(shape[1]-shape[2], 0) // 2offset_x max(shape[2]-shape[1], 0) // 2# 返回新图片image tf.image.crop_to_bounding_box(image, offset_y, offset_x, new_shape, new_shape)return image# 加载并预处理图片def load_image(image_url, image_size(256, 256), preserve_aspect_ratioTrue):# 缓存图像文件# image_path tf.keras.utils.get_file(# os.path.basename(image_url)[-128:], image_url)# 加载并转换为float32 numpy数组添加批次维度并规范化为范围[01]。img tf.io.decode_image(tf.io.read_file(image_url),channels3, dtypetf.float32)[tf.newaxis, ...]img crop_center(img)img tf.image.resize(img, image_size, preserve_aspect_ratioTrue)return img# 展示图片def show_n(images, titles(,)):n len(images)image_sizes [image.shape[1] for image in images]w (image_sizes[0] * 6) // 320plt.figure(figsize(w * n, w))gs gridspec.GridSpec(1, n, width_ratiosimage_sizes)for i in range(n):plt.subplot(gs[i])plt.imshow(images[i][0], aspectequal)plt.axis(off)plt.title(titles[i] if len(titles) i else )plt.show()content_image_url image/dog.png
style_image_url image/fangao.png
output_image_size 384# 调整内容图像的大小
content_img_size (output_image_size, output_image_size)
# 样式图片大小
style_img_size (256, 256)
# 加载图片
content_image load_image(content_image_url, content_img_size)
style_image load_image(style_image_url, style_img_size)
style_image tf.nn.avg_pool(style_image, ksize[3, 3], strides[1, 1], paddingSAME)
# 展示图片
# show_n([content_image, style_image], [Content image, Style image])# 加载模型
hub_module hub.load(./magenta_arbitrary-image-stylization-v1-256_2)
# 风格迁移
outputs hub_module(tf.constant(content_image), tf.constant(style_image))
stylized_image outputs[0]
# 展示迁移后的图片
show_n([content_image, style_image, stylized_image], titles[Original content image, Style image, Stylized image])
