希芸微商好不好-微商创业成功案例,一个从小白到微商老大的励志故事,短短四个月销售达到上千万,团队增加到3万人,下面80%代理奔小康,希芸微商好不好-学习微商成功经验

我们知道，几乎已经应用在每一个领域，但如果我们能够构建一个基于深度学习的模型，让它能够给老照片着色，重现我们童年的旧回忆，这该多么令人激动啊！那么我们要怎么做呢？本文的作者将为大家介绍一个教程，通过深度学习方法为黑白老照片自动上色，带我们重新忆起那段老时光！

现如今，给照片着色通常是在 PS 中手工完成的。

所以说，如果要给一幅照片着色的话，短时间内是不可能完成的。它需要广泛的研究，要知道，单是一张脸的着色，就需要多达20层粉色、绿色和蓝色的色调才能使照片拥有恰到好处的效果。

现在，我要介绍的这个简单的——Incepon Resnet V2，已经训练了120万张图像，可以帮助我们完成着色的任务。为了能够实现着色，我们将用 Unsplash 的肖像来训练这个神经网络。

在本节中，我将就如何渲染图像、数字颜色的基础知识以及神经网络的主要逻辑进行概述。

黑白图像可以用像素网格表示，每个像素都有与其亮度相对应的值。这些值的范围是0~255，对应的是从黑到白。

彩色图像是由三层组成：红色层、绿色层和蓝色层。你可以想象一下，在白色背景上将绿叶分成三个通道。直觉上，你可能会认为植物只存在于绿色层中。

但是，如下图所示，叶子在所有三个通道中都存在。这些层不仅决定了颜色，还决定了亮度。

例如，要得到白色，你需要所有的颜色均匀分布。通过增加等量的红色和蓝色，会使绿色变得更亮。因此，彩色图像使用三层来对颜色和对比度进行编码：

和黑白图像一样，彩色图像中的每一层，也有0~255的值。值0表示这个层中没有颜色。如果像素网格所有颜色通道的值都为0，那么这个图像像素就是黑色的。

神经网络在输入值和输出值之间创建了一种关系。为了能够更为准确地完成着色任务，网络需要找到能够将灰度图像和彩色图像联系起来的特征。

总的来说就是，我们需要找到能够将灰度值网格链接到三个颜色网格的特征。

的深度学习示例提供了，可用来训练模型。

如果你不熟悉如何使用Deep Learning Studio，可以看看以下这些资料：

1.0/255 表示我们使用的是 24 位 RGB 颜色空间，这意味着我们为每个颜色通道使用 0 ~ 255 之间的数字。这将会产生 1670 万种颜色的组合。

而人类只能感知 200 ~ 1000 万种颜色，因此，使用再大的颜色空间并没有多大意义。

与 RGB 颜色空间相比，LAB 颜色空间具有不同的范围。在 LAB 颜色空间中，颜色光谱 ab 范围从-128~128。通过将输出层中的所有值除以 128，将色谱范围限制在 -1 ~ 1 之间。

将它与神经网络相匹配，神经网络也返回 -1 ~ 1 之间的值。

在使用 rgb2lab 函数转换颜色空间之后，我们选择灰度层：[:,:,0]，这是对神经网络的输入。[:,:,1:] 选择两个颜色层：绿-红和蓝-黄。

神经网络进行训练后，做出最终的预测，并将其转化为图像。

在这里，我们使用一个灰度图像作为输入，并通过训练好的神经网络来运行它。我们取在 -1 ~ 1 之间所有的输出值，然后乘以 128，就得到了 Lab 色谱中正确的颜色。

最后，用 三层 0 填充得到一个黑色的 RGB 画布。然后从测试图像中，复制灰度图层。然后将这两个颜色层添加到 RGB 画布上。再将这个像素值数组转换为图片。

在小型数据集上的结果，训练图像数 = 10，测试图像数 = 8；

▌经过50个轮数之后：

▌经过100个轮数之后：

▌经过1000个轮数之后：

▌经过2000个轮数之后：