neural-style

KO | EN

gitlite — search

#python #react #typescript #llm #golang #macos #windows #awesome #awesome-list #vue #security #mcp #openai #ios

(★ 18,284)

뉴럴 스타일 알고리즘의 Torch 구현체

파일 탐색기

최종 버전 다운로드 (.zip)

- - brad_pitt.jpg
  - escher_sphere.jpg
  - frida_kahlo.jpg
  - golden_gate.jpg
  - hoovertowernight.jpg
  - picasso_selfport1907.jpg
  - seated-nude.jpg
  - shipwreck.jpg
  - starry_night.jpg
  - starry_night_crop.png
  - starry_night_google.jpg
  - the_scream.jpg
  - tubingen.jpg
  - woman-with-hat-matisse.jpg
- - starry_stanford.sh
- - golden_gate_escher.png
  - golden_gate_kahlo.png
  - golden_gate_matisse.png
  - golden_gate_scream.png
  - golden_gate_seated.png
  - golden_gate_starry.png
  - golden_gate_starry_scale05.png
  - golden_gate_starry_scale1.png
  - golden_gate_starry_scale2.png
  - golden_gate_starry_scream_1_9.png
  - golden_gate_starry_scream_3_7.png
  - golden_gate_starry_scream_5_5.png
  - golden_gate_starry_scream_7_3.png
  - golden_gate_starry_scream_9_1.png
  - pitt_picasso_content_0025_style_10.png
  - pitt_picasso_content_01_style_10.png
  - pitt_picasso_content_1_style_10.png
  - pitt_picasso_content_5_style_10.png
  - pitt_picasso_nin_opencl.png
  - starry_stanford_big.png
  - starry_stanford_big_2.png
  - starry_stanford_bigger.png
  - tubingen_composition_vii.png
  - tubingen_scream.png
  - tubingen_scream_composition_vii.png
  - tubingen_seated_nude.png
  - tubingen_seated_nude_composition_vii.png
  - tubingen_shipwreck.png
  - tubingen_starry.png
  - tubingen_starry_scream.png
  - tubingen_starry_seated.png
- .gitignore
- download_models.sh
.gitignore
INSTALL.md
LICENSE
neural_style.lua
README.md

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# neural-style
이 도구는 Leon A. Gatys, Alexander S. Ecker, Matthias Bethge의 논문 [A Neural Algorithm of Artistic Style](http://arxiv.org/abs/1508.06576)을 torch로 구현한 것입니다.
이 논문에서는 합성곱 신경망(convolutional neural networks)을 사용하여 한 이미지의 콘텐츠와 다른 이미지의 스타일을 결합하는 알고리즘을 제안합니다. 다음은 스탠퍼드 캠퍼스의 야간 사진에 [The Starry Night](https://en.wikipedia.org/wiki/The\_Starry\_Night)의 예술적 스타일을 매핑한 예시입니다:

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/starry_night_google.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/hoovertowernight.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/starry_stanford_bigger.png)

동일한 콘텐츠 이미지에 서로 다른 이미지의 스타일을 적용하면 흥미로운 결과를 얻을 수 있습니다.
여기서는 독일 튜빙겐(Tubingen)의 사진을 다양한 스타일로 렌더링한 논문의 그림 2를 재현합니다:

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/tubingen.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_shipwreck.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_starry.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_scream.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_seated_nude.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_composition_vii.png)

다음은 금문교(golden gate bridge) 사진에 다양한 미술 작품의 스타일을 적용한 결과입니다:

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/frida_kahlo.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_kahlo.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/escher_sphere.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_escher.png)

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/woman-with-hat-matisse.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_matisse.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/the_scream.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_scream.png)

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/starry_night_crop.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/seated-nude.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_seated.png)

### Content / Style Tradeoff
이 알고리즘을 사용하면 사용자가 스타일과 콘텐츠 재구성 항의 상대적 가중치를 조절(trade-off)할 수 있습니다. 다음 예시는 [피카소의 1907년 자화상](http://www.wikiart.org/en/pablo-picasso/self-portrait-1907) 스타일을 브래드 피트(Brad Pitt)에게 적용한 것입니다:

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/picasso_selfport1907.jpg)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/inputs/brad_pitt.jpg)

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/pitt_picasso_content_5_style_10.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/pitt_picasso_content_1_style_10.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/pitt_picasso_content_01_style_10.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/pitt_picasso_content_0025_style_10.png)

### 스타일 크기 (Style Scale)
스타일 특징을 추출하기 전에 스타일 이미지의 크기를 조절함으로써, 스타일 이미지로부터 전송되는 예술적 특징의 유형을 제어할 수 있습니다. 이 동작은 `-style\_scale` 플래그로 제어할 수 있습니다.
아래에서는 The Starry Night 스타일로 렌더링된 Golden Gate Bridge의 세 가지 예시를 볼 수 있습니다.
왼쪽부터 `-style\_scale`은 각각 2.0, 1.0, 0.5입니다.

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scale2.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scale1.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scale05.png)

### 다중 스타일 이미지 (Multiple Style Images)
둘 이상의 스타일 이미지를 사용하여 여러 예술적 스타일을 혼합할 수 있습니다.
왼쪽 위부터 시계 방향으로: "The Starry Night" + "The Scream", "The Scream" + "Composition VII",
"Seated Nude" + "Composition VII", 그리고 "Seated Nude" + "The Starry Night"

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_starry_scream.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_scream_composition_vii.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_starry_seated.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_seated_nude_composition_vii.png)

### 스타일 보간 (Style Interpolation)
여러 스타일 이미지를 사용할 때, 이들이 혼합되는 정도를 제어할 수 있습니다:

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scream_3_7.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scream_5_5.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/golden_gate_starry_scream_7_3.png)

### 색상은 제외하고 스타일만 전송하기 (Transfer style but not color)
`-original\_colors 1` 플래그를 추가하면 출력 이미지가 원본 이미지의 색상을 유지하게 됩니다.
이는 [the recent blog post by deepart.io](http://blog.deepart.io/2016/06/04/color-independent-style-transfer/)와 유사합니다.

![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_starry.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_scream.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/tubingen_composition_vii.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/original_color/tubingen_starry.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/original_color/tubingen_scream.png)
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/original_color/tubingen_composition_vii.png)

## 설정:
필수 라이브러리:
\* [torch7](https://github.com/torch/torch7)
\* [loadcaffe](https://github.com/szagoruyko/loadcaffe)
선택적 라이브러리:
\* CUDA 백엔드용:
\* CUDA 6.5+
\* [cunn](https://github.com/torch/cunn)
\* cuDNN 백엔드용:
\* [cudnn.torch](https://github.com/soumith/cudnn.torch)
\* OpenCL 백엔드용:
\* [cltorch](https://github.com/hughperkins/cltorch)
\* [clnn](https://github.com/hughperkins/clnn)
종속성을 설치한 후, VGG 모델을 다운로드하기 위해 다음 스크립트를 실행해야 합니다:
```
sh models/download\_models.sh
```
이 명령어는 원본 [VGG-19 model](https://gist.github.com/ksimonyan/3785162f95cd2d5fee77#file-readme-md)을 다운로드합니다.
Leon Gatys가 논문에서 사용된 수정된 버전의 VGG-19 모델을 친절하게 제공해 주었으며, 이 모델 또한 다운로드됩니다. 기본적으로는 원본 VGG-19 모델이 사용됩니다.
GPU 메모리가 부족한 경우 NIN Imagenet 모델을 사용하는 것이 더 좋으며, 결과는 약간 떨어지지만 비교할 만한 수준의 결과를 얻을 수 있습니다. 모델에 대한 자세한 내용은 [BVLC Caffe ModelZoo](https://github.com/BVLC/caffe/wiki/Model-Zoo)에서 확인할 수 있으며, 파일은 [NIN-Imagenet Download Link](https://drive.google.com/folderview?id=0B0IedYUunOQINEFtUi1QNWVhVVU&usp=drive\_web)에서 다운로드할 수 있습니다.
Ubuntu에 대한 자세한 설치 방법은 [installation guide](INSTALL.md)에서 확인할 수 있습니다.

## 사용법
기본 사용법:
```
th neural\_style.lua -style\_image  -content\_image 
```
NIN 모델을 사용하는 OpenCL 사용법 (위에서 설명한 대로 NIN Imagenet 모델 파일을 미리 다운로드해야 합니다):
```
th neural\_style.lua -style\_image examples/inputs/picasso\_selfport1907.jpg -content\_image examples/inputs/brad\_pitt.jpg -output\_image profile.png -model\_file models/nin\_imagenet\_conv.caffemodel -proto\_file models/train\_val.prototxt -gpu 0 -backend clnn -num\_iterations 1000 -seed 123 -content\_layers relu0,relu3,relu7,relu12 -style\_layers relu0,relu3,relu7,relu12 -content\_weight 10 -style\_weight 1000 -image\_size 512 -optimizer adam
```
![OpenCL NIN Model Picasso Brad Pitt](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/pitt\_picasso\_nin\_opencl.png)
여러 개의 스타일 이미지를 사용하려면 다음과 같이 쉼표로 구분된 목록을 전달하세요:
`-style\_image starry\_night.jpg,the\_scream.jpg`.
이미지 경로에는 홈 디렉토리를 나타내는 `~` 문자가 포함되어서는 안 됩니다. 대신 상대 경로 또는 전체 절대 경로를 사용해야 합니다.

\*\*옵션\*\*:
\* `-image\_size`: 생성된 이미지의 최대 변 길이(픽셀 단위). 기본값은 512입니다.
\* `-style\_blend\_weights`: 여러 스타일 이미지의 스타일을 혼합하기 위한 가중치로, `-style\_blend\_weights 3,7`과 같이 쉼표로 구분된 목록으로 지정합니다. 기본적으로 모든 스타일 이미지는 동일한 가중치를 갖습니다.
\* `-gpu`: 사용할 GPU의 0부터 시작하는 ID; CPU 모드의 경우 `-gpu`를 -1로 설정합니다.

\*\*최적화 옵션\*\*:
\* `-content\_weight`: 콘텐츠 재구성 항의 가중치. 기본값은 5e0입니다.
\* `-style\_weight`: 스타일 재구성 항의 가중치. 기본값은 1e2입니다.
\* `-tv\_weight`: 총변동(TV) 정규화의 가중치; 이미지를 부드럽게 만드는 데 도움을 줍니다. 기본값은 1e-3입니다. TV 정규화를 비활성화하려면 0으로 설정하세요.
\* `-num\_iterations`: 기본값은 1000입니다.
\* `-init`: 생성할 이미지를 생성하는 방법; `random` 또는 `image` 중 하나입니다. 기본값은 논문에서와 같이 노이즈 초기화를 사용하는 `random`이며, `image`는 콘텐츠 이미지로 초기화합니다.
\* `-optimizer`: 사용할 최적화 알고리즘; `lbfgs` 또는 `adam` 중 하나이며, 기본값은 `lbfgs`입니다. L-BFGS는 더 나은 결과를 제공하는 경향이 있지만 더 많은 메모리를 사용합니다. ADAM으로 전환하면 메모리 사용량이 줄어듭니다. ADAM을 사용할 때는 좋은 결과를 얻기 위해 스타일 가중치, 콘텐츠 가중치, 학습률 등 다른 매개변수를 조절해야 할 수 있으며, ADAM을 사용할 때 그래디언트를 정규화하고 싶을 수도 있습니다.
\* `-learning\_rate`: ADAM 최적화 도구와 함께 사용할 학습률. 기본값은 1e1입니다.
\* `-normalize\_gradients`: 이 플래그가 있으면 각각의

h 레이어가 L1 정규화됩니다. [andersbll/neural\_artistic\_style](https://github.com/andersbll/neural\_artistic\_style)에서 아이디어를 얻었습니다.
\*\*출력 옵션\*\*:
\* `-output\_image`: 출력 이미지의 이름입니다. 기본값은 `out.png`입니다.
\* `-print\_iter`: `print\_iter` 반복(iteration)마다 진행 상황을 출력합니다. 출력을 비활성화하려면 0으로 설정하세요.
\* `-save\_iter`: `save\_iter` 반복마다 이미지를 저장합니다. 중간 결과 저장을 비활성화하려면 0으로 설정하세요.
\*\*레이어 옵션\*\*:
\* `-content\_layers`: 콘텐츠 재구성(reconstruction)에 사용할 레이어 이름의 쉼표로 구분된 목록입니다.
기본값은 `relu4\_2`입니다.
\* `-style\_layers`: 스타일 재구성(reconstruction)에 사용할 레이어 이름의 쉼표로 구분된 목록입니다.
기본값은 `relu1\_1,relu2\_1,relu3\_1,relu4\_1,relu5\_1`입니다.
\*\*기타 옵션\*\*:
\* `-style\_scale`: 스타일 이미지에서 피처를 추출할 스케일입니다. 기본값은 1.0입니다.
\* `-original\_colors`: 이 값을 1로 설정하면, 출력 이미지가 콘텐츠 이미지의 색상을 유지합니다.
\* `-proto\_file`: VGG Caffe 모델용 `deploy.txt` 파일의 경로입니다.
\* `-model\_file`: VGG Caffe 모델용 `.caffemodel` 파일의 경로입니다.
기본값은 원본 VGG-19 모델이며, 논문에 사용된 정규화된 VGG-19 모델을 시도해 볼 수도 있습니다.
\* `-pooling`: 사용할 풀링 레이어의 유형으로, `max` 또는 `avg` 중 하나입니다. 기본값은 `max`입니다.
VGG-19 모델은 맥스 풀링 레이어를 사용하지만, 논문에 따르면 이 레이어를 평균 풀링 레이어로 교체하면 결과가 개선될 수 있다고 합니다. 평균 풀링을 사용하여 좋은 결과를 얻지는 못했지만, 이 옵션은 제공됩니다.
\* `-backend`: `nn`, `cudnn`, 또는 `clnn`입니다. 기본값은 `nn`입니다. `cudnn`은
[cudnn.torch](https://github.com/soumith/cudnn.torch)가 필요하며 메모리 사용량을 줄일 수 있습니다.
`clnn`은 [cltorch](https://github.com/hughperkins/cltorch)와 [clnn](https://github.com/hughperkins/clnn)이 필요합니다.
\* `-cudnn\_autotune`: cuDNN 백엔드를 사용할 때, 아키텍처에 가장 적합한 컨볼루션 알고리즘을 선택하기 위해 내장된 cuDNN autotuner를 사용하도록 이 플래그를 전달합니다. 이렇게 하면 첫 번째 반복이 약간 느려지고 메모리를 조금 더 사용할 수 있지만, cuDNN 백엔드의 속도가 크게 향상될 수 있습니다.
## 자주 묻는 질문 (FAQ)
\*\*문제:\*\* 생성된 이미지에 채도 아티팩트가 발생합니다:
![](https://cloud.githubusercontent.com/assets/1310570/9694690/fa8e8782-5328-11e5-9c91-11f7b215ad19.png)
\*\*해결책:\*\* `image` 패키지를 최신 버전으로 업데이트하세요: `luarocks install image`
\*\*문제:\*\* GPU 없이 실행할 때 `cutorch`를 찾을 수 없다는 오류 메시지가 나타납니다.
\*\*해결책:\*\*
CPU 전용 모드에서 실행할 때 `-gpu -1` 플래그를 전달하세요.
\*\*문제:\*\* 프로그램 메모리가 부족하여 종료됩니다.
\*\*해결책:\*\* 이미지 크기를 줄여보세요: `-image\_size 256` (또는 그 이하). 최적의 결과를 얻으려면 이미지 크기에 따라 `-style\_weight` 및 `-content\_weight`에 기본값이 아닌 다른 값을 지정해야 할 수 있습니다.
GPU에서 실행 중인 경우, 메모리 사용량을 줄이기 위해 `-backend cudnn`으로 실행해 볼 수도 있습니다.
\*\*문제:\*\* 다음 오류 메시지가 나타납니다:
`models/VGG\_ILSVRC\_19\_layers\_deploy.prototxt.cpu.lua:7: attempt to call method 'ceil' (a nil value)`
\*\*해결책:\*\* `nn` 패키지를 최신 버전으로 업데이트하세요: `luarocks install nn`
\*\*문제:\*\* `paths.extname` 관련 오류 메시지가 나타납니다.
\*\*해결책:\*\* `torch.paths` 패키지를 최신 버전으로 업데이트하세요: `luarocks install paths`
\*\*문제:\*\* NIN Imagenet 모델이 좋은 결과를 제공하지 않습니다.
\*\*해결책:\*\* 올바른 `-proto\_file`이 선택되었는지 확인하세요. 또한 `-content\_layers` 및 `-style\_layers`에 대한 올바른 매개변수가 설정되어 있는지 확인하세요. (위의 OpenCL 사용 예시 참조)
\*\*문제:\*\* `-backend cudnn`이 기본 NN 백엔드보다 느립니다.
\*\*해결책:\*\* `-cudnn\_autotune` 플래그를 추가하세요. 내장된 cuDNN autotuner를 사용하여 가장 적합한 컨볼루션 알고리즘을 선택하게 됩니다.
## 메모리 사용량
기본적으로 `neural-style`은 컨볼루션에 `nn` 백엔드를, 최적화에 L-BFGS를 사용합니다.
이들은 좋은 결과를 제공하지만 둘 다 많은 메모리를 사용할 수 있습니다. 메모리 사용량을 줄이려면

다음과 같습니다:
\* \*\*cuDNN 사용\*\*: cuDNN 백엔드를 사용하려면 `-backend cudnn` 플래그를 추가하세요. 이는 GPU 모드에서만 작동합니다.
\* \*\*ADAM 사용\*\*: L-BFGS 대신 ADAM을 사용하려면 `-optimizer adam` 플래그를 추가하세요. 이렇게 하면 메모리 사용량이
상당히 줄어들지만, 좋은 결과를 얻으려면 다른 파라미터를 조정해야 할 수 있습니다. 특히 학습률(learning rate), 컨텐츠 가중치(content weight), 스타일 가중치(style weight)를 조절해 보고, 그래디언트 정규화(gradient normalization) 사용도 고려해야 합니다.
이 기능은 CPU와 GPU 모드 모두에서 작동합니다.
\* \*\*이미지 크기 줄이기\*\*: 위의 팁으로도 부족한 경우, 생성되는 이미지의 크기를 줄일 수 있습니다.
기본 크기의 절반인 이미지를 생성하려면 `-image\_size 256` 플래그를 전달하세요.
기본 설정에서 `neural-style`은 제 시스템에서 약 3.5GB의 GPU 메모리를 사용하며,
ADAM과 cuDNN으로 전환하면 GPU 메모리 점유율이 약 1GB로 줄어듭니다.

## 속도
속도는 백엔드와 최적화 도구(optimizer)에 따라 크게 달라질 수 있습니다.
다양한 설정으로 Maxwell Titan X에서 `-image\_size=512`로 500번의 반복(iteration)을 실행하는 데 걸리는 시간은 다음과 같습니다:
\* `-backend nn -optimizer lbfgs`: 62초
\* `-backend nn -optimizer adam`: 49초
\* `-backend cudnn -optimizer lbfgs`: 79초
\* `-backend cudnn -cudnn\_autotune -optimizer lbfgs`: 58초
\* `-backend cudnn -cudnn\_autotune -optimizer adam`: 44초
\* `-backend clnn -optimizer lbfgs`: 169초
\* `-backend clnn -optimizer adam`: 106초

CUDA 8.0 RC의 cuDNN 5.0을 탑재한 Pascal Titan X에서의 동일한 벤치마크 결과는 다음과 같습니다:
\* `-backend nn -optimizer lbfgs`: 43초
\* `-backend nn -optimizer adam`: 36초
\* `-backend cudnn -optimizer lbfgs`: 45초
\* `-backend cudnn -cudnn\_autotune -optimizer lbfgs`: 30초
\* `-backend cudnn -cudnn\_autotune -optimizer adam`: 22초

## 멀티 GPU 스케일링
여러 개의 GPU를 사용하여 더 높은 해상도의 이미지를 처리할 수 있습니다. 네트워크의 서로 다른 레이어가
서로 다른 GPU에서 연산됩니다. `-gpu` 플래그를 사용하여 사용할 GPU를 제어할 수 있으며,
`-multigpu\_strategy` 플래그를 사용하여 GPU 간에 레이어를 분할하는 방식을 제어할 수 있습니다.
예를 들어 4개의 GPU가 있는 서버에서 `-gpu 0,1,2,3` 플래그를 지정하면 GPU 0, 1, 2, 3 순서대로 처리됩니다.
또한 `-multigpu\_strategy 3,6,12` 플래그를 함께 지정하면 처음 두 레이어는
GPU 0에서 연산하고, 3번째부터 5번째 레이어는 GPU 1에서 연산하며, 6번째부터 11번째 레이어는
GPU 2에서 연산하고, 나머지 레이어는 GPU 3에서 연산하도록 지시하는 것입니다. 최대 해상도를 달성하려면
사용자 환경에 맞게 `-multigpu\_strategy`를 조정해야 합니다.

Leon A. Gatys, Alexander S. Ecker, Matthias Bethge, Aaron Hertzmann, Eli Shechtman의 논문
[\*\*Controlling Perceptual Factors in Neural Style Transfer\*\*](https://arxiv.org/abs/1611.07865)에 설명된 대로 멀티 GPU 처리와 멀티스케일(multiscale) 생성을 결합하여 고해상도에서 매우 고품질의 결과를 얻을 수 있습니다.
4개의 Pascal Titan X GPU가 있는 서버에서 생성된 3620 x 1905 이미지입니다:
![](https://raw.githubusercontent.com/jcjohnson/neural-style/master/examples/outputs/starry_stanford_bigger.png)
이 이미지를 생성하는 데 사용된 스크립트는 [여기에서 확인할 수 있습니다](examples/multigpu_scripts/starry_stanford.sh).

## 구현 세부사항
이미지는 백색 소음(white noise)으로 초기화되며 L-BFGS를 사용하여 최적화됩니다.
스타일 복원은 `conv1\_1`, `conv2\_1`, `conv3\_1`, `conv4\_1`, `conv5\_1` 레이어를 사용하고,
컨텐츠 복원은 `conv4\_2` 레이어를 사용합니다. 논문과 마찬가지로 5개의 스타일 복원 손실(loss)은
동일한 가중치를 가집니다.

## 인용
이 코드가 연구에 유용하다면 다음과 같이 인용해 주세요:
```
@misc{Johnson2015,
author = {Johnson, Justin},
title = {neural-style},
year = {2015},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/jcjohnson/neural-style}},
}
```

neural-style

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

neural-style

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README