正在阅读：没错这些都是我!人工智能让Prisma成为新网红没错这些都是我!人工智能让Prisma成为新网红

　　【PConline 杂谈】各位，还记得上周那篇名为《人工智能为城市上色》的文章吗？实际上，文章的主角Prisma自6月11日上线后，便迅速风靡全球，征服了全球40多个国家的用户，其日活高达150万。那么，在众多的作图工具中，为何独独Prisma得以红遍网络？恐怕这还要先从其背后神秘的AI人工智能算法说起。

没错这些都是我!人工智能让Prisma成为新网红

　　 为何如此风靡？当然不是风格有趣这么简单。Prisma的制胜因素在于其使用了人工智能技术，利用当下最火的卷积神经网络，可以说它实现了艺术风格的神经算法。据了解，创建Prisma的是一个来自莫斯科的4人团队。其灵感源于网上一个将照片转换成名画风格的算法。当然，与之类似的方法别家也有，例如德国的DeepArt.io，同是俄罗斯的Ostagram，但Prisma却是首个在移动设备上应用的。

　　 据了解，Prisma共三层人工神经网络，每一层负责处理不同的任务，例如分析用户上传的照片，从一部经典艺术品中提炼其艺术风格，并将其应用到用户所传图片上等等。当然，这些过程说来简单，但实际上却都需要人工智能和深度学习技术在其背后做技术支持。

　　 因此，Prisma并不是简单地在源图上转换色调或者环境风格，也不是单纯的利用普通的滤镜来改变图像的光线、颜色或者重叠图片，而是根据用户所提供的图片内容，以及用户想要的风格图片的样式重新“画出”一张新图。从其画风来看，倒是更适合那些喜欢恶搞的人群，例如笔者。

　　 既然提到了Prisma，各位一定想知道其如何与CNN结合，以及生成图片的具体过程又是怎样的。实际上，Prisma所做的风格转换是机器视觉领域一直在研究的课题，业内称为texture transfer ，即纹理转换。texture transfer的目标是将原图片的风格，合成到目标图片中并同时保留目标图片的语意内容。

　　 正如前面说的那样，Prisma所用技术是基于深度神经网络，其系统核心是利用神经表征来分离，再组合随机图片的内容和风格，以此来实现一个可用来描绘艺术图像的算法。基本想法是利用一个多层的卷积神经网络（CNN）抽象出给定绘画作品里一些高级的隐藏特征用来模仿绘画风格，并把这个绘画风格应用到一个新的图片上。

　　 要是知道，“绘画风格”是一个抽象定型的词语，可能与图像的某种高阶统计量相关，然而不同的绘画风格有着不同的表示，对于一个没有具体定义风格的一般性问题，它很难用人工设计算法去完成，而卷积网络CNN则可以通过多层卷积提取物体的抽象特征完成物体识别。

　　 接下来我们以梵高和猫为例。正如上图所示，在“猫”与“梵高自画像”生成过程的200多步循环里，我们清楚的看到，在最初的几十步里，图片更像是原图和绘画的简单纹理的叠加，随着循环步数增加，程序慢慢学习到了配色和笔触的风格，并在150步基本成型，最终将猫的照片绘画成梵高的风格。

　　 当然，已经使用过Prisma的朋友一定会注意到，其为用户提供了可调节选项，即套用绘画风格的深与浅。这又是如何实现的呢？如下图所示，图中左右两边的网络用于抽取源图（风格提供方）的风格表示和目标图（内容提供方）的内容表示，中间的网络则用于对风格进行合成。

　　 之后，使用白噪声图片作为启始图，通过左右两边的网络提供风格和内容表征进行监督学习，令输入图片每一层抽取出来的风格表征和高层抽取出来的内容表征和左右两个网络相应网络层重建出来的表征越来越一致，通过标准的随机梯度下降算法，不断迭代使得白噪声图片变成最终想要的合成图。

　　 使用数学表达上述过程需要构造一个损失函数，即图中红框所示，由风格损失项和内容损失项线性组成，其中alpha和belta分别代表风格和内容的权重比例。若alpha/belta高，则生成的图像更凸显内容而风格化较弱；反之若权重低，则生成图像会风格化强而内容较弱。使用后项传递算法，则可对输入的图像不断进行更新从而进行风格转换，即绿框所示。

　　 此外，你也可以在提取图像风格特征之前先改变图像的大小；也可使用超过一种风格图像来混合多种艺术风格；又或是在使用多个风格图像时，控制混合的程度来呈现不同的图像类型；当然，还可以在保留颜色的前提下改变图像风格。

　　 在文章的最后，不妨放松一下来看一组笔者随手记录的“异样生活”吧。PS：效果虽好，但在整个体验过程中，除了新奇激动之外，笔者最大的感觉就是图片处理速度太慢，有时还会出现“Prisma is over capacity”过载提示。不管怎样，喜爱者终将喜爱！