每日一句：人生苦短，快学Python！
本期我们利用卷积神经网络制作一个处理图片的小工具，最终效果对比如下：
原图：
效果图（多张，可以左右滑动）：
具体原理简单来说就是，训练一个神经网络，每层网络逐步提取越来越高级的图像特征，通过分析一些特定层的输出发现，当它识别到了一些特定的模式，就会将这些特征显著地增强，而且层数越高，识别的模式就越复杂。
然后网络将识别到的复杂特征组合起来形成完整的解释，并将这些信息反向传播到网络，每个神经元再显示出它想增强的模式或特征。通过以上过程，我们就可以迫使神经网络在图片中产生一些原本不存在的内容，即达到了梦幻的效果~
下面是实战演练环节。
本文代码在以下环境通过测试：
代码语言：javascript复制python == 3.6.13
numpy == 1.16.4
scipy == 1.2.1
Pillow == 8.2.0
matplotlib == 3.3.4
tensorflow == 1.2.0
首先，导入相关的库
代码语言：javascript复制import numpy as np
import PIL.Image
import scipy.misc
import tensorflow as tf
忽略无关的警告
代码语言：javascript复制import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
定义网络模型
代码语言：javascript复制# 导入inception模型
# tensorflow提供了以“.pb”为扩展名的文件，可以事先将模型导入到pb文件中，在需要的时候导出
model_fn = 'tensorflow_inception_graph.pb'
# 创建图和会话
graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)
with tf.gfile.FastGFile(model_fn, 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
# 定义输入图像的占位符
t_input = tf.placeholder(np.float32, name='input')
# 图像预处理——减均值
# 训练inception模型时做了减均值预处理，此处也需减同样的均值以保持一致
imagenet_mean = 117.0
# 图像预处理——增加维度
# 图像数据格式一般是(height,width,channels)，为同时将多张图片输入网络而在前面增加一维，变为(batch,height,width,channel)
t_preprocessed = tf.expand_dims(t_input - imagenet_mean, 0)
# 导入模型并将预处理图像送入网络中
tf.import_graph_def(graph_def, {'input': t_preprocessed})
找出卷积层
代码语言：javascript复制layers = [op.name for op in graph.get_operations() if op.type == 'Conv2D']
# 输出卷积层层数和卷积层名称
print('Number of layers', len(layers))
print(layers)
运行之前的内容可以得到如下输出：
代码语言：javascript复制Number of layers 59
['import/conv2d0_pre_relu/conv', 'import/conv2d1_pre_relu/conv', 'import/conv2d2_pre_relu/conv', 'import/mixed3a_1x1_pre_relu/conv', 'import/mixed3a_3x3_bottleneck_pre_relu/conv',
.......
.......
'import/mixed5b_3x3_pre_relu/conv', 'import/mixed5b_5x5_bottleneck_pre_relu/conv', 'import/mixed5b_5x5_pre_relu/conv', 'import/mixed5b_pool_reduce_pre_relu/conv', 'import/head0_bottleneck_pre_relu/conv', 'import/head1_bottleneck_pre_relu/conv']
是不是很有规律呢？没错，忽略一些次要词语，剩下的12个词就是咱们要用的部分，分别为：
代码语言：javascript复制'conv2d0', 'conv2d1', 'conv2d2', 'mixed3a', 'mixed3b', 'mixed4a', 'mixed4b', 'mixed4c', 'mixed4d', 'mixed4e','mixed5a', 'mixed5b'
这12个词，便是预训练模型里的12个卷积层，不同的卷积层对图片进行处理，我们可以得到风格不同的图片。后面会用到这部分内容。
接下来是相关函数的定义：
（篇幅原因，这里这罗列部分函数，完整代码下载方式见文末）
代码语言：javascript复制# 判断文件夹是否存在，若不存在则创建
def mkdir(path):
folder = os.path.exists(path)
if not folder:
os.makedirs(path)
# 把numpy.ndarray保存成图像文件
def savearray(img_array, img_name):
scipy.misc.toimage(img_array).save(img_name)
# 调整图像尺寸
def resize(img, hw):
min = img.min()
max = img.max()
img = (img - min) / (max - min) * 255
img = np.float32(scipy.misc.imresize(img, hw))
img = img / 255 * (max - min) min
return img
# 原始图像尺寸可能很大，从而导致内存耗尽，每次只对 tile_size * tile_size 大小的图像计算梯度，避免内存问题
def calc_grad_tiled(img, t_grad, tile_size=512):
接下来便是主程序部分。关于这部分的图片风格定义，其实是笔者将许多张图片分别用12个卷积层进行处理，然后把处理结果拿给一位艺术细胞和审美能力比较良好的小姐姐，让她帮忙将风格相似的图片整理在一起，并给对应风格取一个文艺又小清新的名字，也就是说，尽管每次选择同样的风格，但是结果还是会有细微的差别，这就是惊喜了。总之，，在此再次感谢她~
代码语言：javascript复制# 打印提示信息
print('嗨，我是你的小小魔法师，我可以为你的图片生成超级梦幻的效果～')
print('请将待处理的图片放入"preprocess_image"文件夹中，复制当前要处理的图片名称')
# 图片风格定义及选择
pattern_name = input('n请选择图像风格：1.失真印象；2.青铜秘纹；3.克鲁苏之眼；4.迷幻乐园；5.随机（输入对应数字即可）:')
if pattern_name == '1':
name_list = ['conv2d0', 'conv2d1', 'conv2d2']
name = name_list[np.random.randint(0, 3)]
elif pattern_name == '2':
name_list = ['mixed3a', 'mixed3b']
name = name_list[np.random.randint(0, 2)]
elif pattern_name == '3':
name_list = ['mixed4a', 'mixed4b', 'mixed4c']
name = name_list[np.random.randint(0, 3)]
elif pattern_name == '4':
name_list = ['mixed4d', 'mixed4e', 'mixed5a', 'mixed5b']
name = name_list[np.random.randint(0, 4)]
elif pattern_name == '5':
name_list = (
'conv2d0', 'conv2d1', 'conv2d2', 'mixed3a', 'mixed3b', 'mixed4a', 'mixed4b', 'mixed4c', 'mixed4d', 'mixed4e',
'mixed5a', 'mixed5b')
name = name_list[np.random.randint(0, 12)]
else:
print('请看清楚规则!!')
# 获取卷积层对应的通道数
layer_output = graph.get_tensor_by_name('import/%s:0' % name)
# 读取预处理的图片
image_name = input('n请输入图片名称（附带图片格式，例如：test.jpg）：')
file_path = 'preprocess_image/' image_name
img0 = PIL.Image.open(file_path)
img0 = np.float32(img0)
# 定义图片输出路径
mkdir('processed_image')
file_save_path = 'processed_image/' image_name.split(sep='.')[0] '_' name '.jpg'
print('n图片处理过程需要1~2分钟，请耐心等待……')
# 调用render_deepdream函数渲染
render_deepdream(tf.square(layer_output), img0, iter_n=10, step=1.0)
print('n已完成！生成的图片保存在“processed_image”文件夹下')
至此，图片处理部分结束。
打包
最后，我们可以将它进行简单的打包，这样没有安装python或者配置tensorflow的人也可以使用这个小工具~
我们使用conda创建虚拟环境，用pyinstaller这个库来打包。如果想详细了解Python打包，可以看我之前的文章《别再问我Python打包成exe了！（终极版）》
为什么非要创建一个虚拟环境呢？
这是因为在打包的时候，会将当前环境里所有已安装的包打包进去，如果当前环境里已经安装了很多当前代码用不到的库，这样打包好的可执行文件就显得十分臃肿，非常占地方。
接下来我将详细展示打包过程~
没有安装conda的朋友可以先装一个Anaconda或者Mini Conda，因为用它做环境管理真的太方便了。
首先，打开终端，新建一个虚拟环境：
代码语言：javascript复制conda create -n tensorflow python=3.6
这里tensorflow是虚拟环境的名称，也可以按照自己的意愿自定义，python=3.6用于指定虚拟环境中python解释器的版本。
创建成功后，使用以下命令激活虚拟环境：
代码语言：javascript复制conda activate tensorflow
虚拟环境就相当于重新安装了一个python，此时环境中除了pip和setuptools没有其他的包。因此我们先安装需要用的几个包，这里不要忘了安装pyinstaller这个包。
代码语言：javascript复制pip install pyinstaller
pip install numpy==1.16.4
pip install pillow==8.2.0
pip install scipy==1.2.1
pip install matplotlib==3.3.4
pip install tensorflow==1.2.0
接下来，在终端使用命令切换到代码所在目录：
代码语言：javascript复制cd D:Dreamscape
然后就可以使用pyinstaller进行打包：
代码语言：javascript复制pyinstaller -F Dreamscape.py
-F表示打包成一个单独的文件，Dreamscape.py是主程序名称。
打包成功之后，会在当前目录生成文件夹，可执行文件在dist目录下，注意，exe文件应该和其他依赖文件放在一起，如下图所示：
什么，才67.8MB??其实笔者还删掉了一些不必要的依赖库，才使得打包的exe比较小。因为tensorflow本来就是一个超级大的库，在执行该代码时候部分依赖项用不到，但是笔者也不清楚具体哪个用不到。于是使用pip list列出了该环境下的所有库，然后挨个删除，看程序能否正常能够运行，不能运行就再装回来。。。功夫不负有心人，最终，还是成功地删掉了几个库。
至此，我们完成了该小工具的制作。下面是笔者测试过程中的一些比较成功的作品：
效果图（多张，可以左右滑动）：
那么，失败的作品该长啥样呢？
原图：
效果图：
原本魅力无限的迷人小姐姐，硬是被玩坏了。。。
剧终……
Tips：如果想要获得更加细致的图像，可以修改渲染函数里的iter_n参数，增大迭代次数，或者减小step，也可以二者同时调整，使得网络学习到输入图像的更多特征。当然了，这样也会增加图像处理时长……
代码语言：javascript复制render_deepdream(tf.square(layer_output), img0, iter_n=10, step=1.0)
