尧图网站建设 
人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载导读本文以 PaddleFormers 仓库中 风格迁移 Fine-tune 指南 为骨架完整讲解如何基于 PaddleHub 使用 MSGNetMulti-Style Generative Network预训练模型完成风格迁移的 Fine-tune、命令行/代码预测与 Serving 在线服务部署。你将掌握hub run命令行推理、四步 Fine-tune 流程数据预处理 → 数据集加载 → 模型加载 → 优化器与 Trainer 配置并深入理解 msgnet 模块的生成器架构、感知损失计算与best_model保存机制可直接在本地复现完整工作流。一、任务背景与依赖准备风格迁移的目标是将一张内容图像的内容与一张风格图像的纹理、配色风格融合生成内容不变、风格迁移的新图像。本示例使用 PaddleHub 提供的msgnet预训练模型该模型属于图像-图像编辑类别网络结构为 MSGNet使用 COCO2014 数据集训练模型大小约 68MB支持 Fine-tuning详见 msgnet 模块说明。开始之前需要满足以下环境依赖paddlepaddle 2.0.0rcpaddlehub 2.0.0安装方式可参考仓库中的快速入门文档零基础 Windows 安装、零基础 Linux 安装、零基础 macOS 安装。安装完成后也可通过hub install msgnet显式安装该模块。二、命令行快速预测一条命令体验风格迁移安装完成后无需编写任何代码即可体验风格迁移。在终端中执行$ hub run msgnet --input_path /PATH/TO/ORIGIN/IMAGE --style_path /PATH/TO/STYLE/IMAGE其中--input_path指定内容图像路径--style_path指定风格图像路径。仓库的 风格迁移示例目录 中提供了两张可直接用于测试的样例图内容图 venice-boat.jpg威尼斯小船与风格图 candy.jpg糖果风格读者可将其路径替换进命令进行首轮体验。命令行预测的底层实现位于 paddlehub/module/cv_module.py 的StyleTransferModule基类该类继承自RunModule与ImageServing通过add_module_args注册--input_path、--style_path、--output_dir、--visualization等命令行参数并在run方法中调用self.predict(...)完成推理与结果保存使模块天然具备命令行可用的能力。三、MSGNet 模型原理从源码看风格迁移网络在进入 Fine-tune 之前先理解被微调的对象。msgnet 模块的完整 Paddle 实现位于 modules/image/Image_gan/style_transfer/msgnet/module.py其核心结构可以拆解为以下几部分GramMatrix格拉姆矩阵对特征图[b, ch, h, w]重塑为[b, ch, w*h]后与其转置做bmm再除以ch*h*w归一化用于表征风格特征纹理统计信息。ConvLayer反射填充卷积使用nn.Pad2D(..., modereflect)反射填充后再卷积避免普通补零在图像边缘产生伪影。Bottleneck / UpBottleneck残差与上采样残差块前者为预激活残差块参考《Identity Mapping in Deep Residual Networks》后者支持带nn.Upsample的上采样残差连接实现恒等映射贯穿生成器对应 MSG-Net 论文设计。Inspiration灵感层MSG-Net 的核心创新持有可学习参数weight与目标格拉姆矩阵G通过setTarget()注入风格图像的特征格拉姆矩阵在推理/训练时对特征图做仿射式风格调制。Vgg16前四层加载vgg16.pdparams预训练权重输出relu1_2 / relu2_2 / relu3_3 / relu4_3四层特征用于计算感知损失内容损失与风格损失。MSGNet 生成器输入 3 通道图像经ConvLayer(7x7) Bottleneck两级下采样 →Inspiration风格注入 → 6 个Bottleneck残差块 →UpBottleneck两级上采样 →ConvLayer(7x7)输出 3 通道图像。从源码结构可以推断风格迁移的损失并非简单的逐像素损失而是感知损失内容损失取生成图与内容图在 Vgg16relu2_2特征上的 MSE风格损失则是多尺度特征图格拉姆矩阵的 MSE 之和。这一推断可在 cv_module.py 的validation_step中直接印证loss content_loss style_loss并以content gap与style gap作为训练监控指标。四、Fine-tune 四步曲完整代码与参数解读使用 PaddleHub Fine-tune API 微调 msgnet 共分 4 步仓库 demo/style_transfer/train.py 提供了可直接运行的完整脚本下文逐步骤拆解。Step1定义数据预处理方式import paddlehub.vision.transforms as T transform T.Compose([T.Resize((256, 256), interpolationLINEAR)])paddlehub.vision.transforms数据增强模块提供了丰富的数据预处理方式用户可按需替换。从 transforms.py 源码看Compose接受一个 transforms 列表并支持to_rgb是否从 BGR 转 RGB默认 False与channel_first是否将 HWC 排列为 CHW默认 True两个参数其__call__支持直接传入图像路径内部用cv2.imread读取或np.ndarray图像。这里使用Resize((256, 256), interpolationLINEAR)将图像统一缩放到 256×256并使用线性插值以适配风格迁移对平滑性的要求。Step2下载数据集并使用from paddlehub.datasets.minicoco import MiniCOCO styledata MiniCOCO(transformtransform, modetrain)参数说明transform数据预处理方式即 Step1 定义的Compose对象mode数据模式可选项为train、test默认train。MiniCOCO的数据集准备代码参考 paddlehub/datasets/minicoco.py。从源码可以确认该数据集继承paddle.io.Dataset通过装饰器download_data(url...)在首次使用时自动从网络下载minicoco.tar.gz并解压到用户目录$HOME/.paddlehub/dataset下数据规模为训练集 2001 张、测试集 200 张均源自 COCO2014并附带21styles目录下的 21 张风格参考图__getitem__中内容图按索引取风格图按idx % len(self.style)循环取从而将任意内容图与 21 种风格随机配对这正是风格迁移训练数据配对的实现细节返回的im, style均经过 transform 并转为 float32。Step3加载预训练模型model hub.Module(namemsgnet, load_checkpointNone)参数说明name预训练模型名称此处为msgnetload_checkpoint是否加载自训模型权重。为None时加载模块自带默认参数style_paddle.pdparams传入路径则加载自定义 checkpoint。对应源码逻辑见 module.py当load_checkpoint非空时调用paddle.load加载用户权重否则加载默认 checkpoint并针对 InstanceNorm 的scale/bias参数做特殊初始化bias 置零、scale 置一保证迁移学习起点正确。Step4选择优化策略并启动训练import paddle from paddlehub.finetune.trainer import Trainer optimizer paddle.optimizer.Adam(learning_rate0.0001, parametersmodel.parameters()) trainer Trainer(model, optimizer, checkpoint_dirtest_style_ckpt) trainer.train(styledata, epochs101, batch_size4, eval_datasetstyledata, log_interval10, save_interval10)优化策略Paddle 2.0rc 提供了多种优化器选择如SGD、Adam、Adamax等。本例使用Adamlearning_rate全局学习率此处设为 1e-4parameters待优化的模型参数。Trainer 运行配置Trainer主要控制 Fine-tune 的训练其实现位于 paddlehub/finetune/trainer.py可配置参数包括参数说明model被优化模型optimizer优化器选择use_vdl是否使用 VisualDL 可视化训练过程checkpoint_dir保存模型参数的目录从源码看未指定时默认生成ckpt_timestamp目录并自动创建该目录compare_metrics比较指标以保存最优模型的回调函数默认使用内置_compare_metrics从metrics.pkl读取历史最优指标进行比较trainer.train控制具体训练过程从 trainer.py 的签名可确认全部参数及默认值参数默认值说明train_dataset必填训练数据集epochs1训练轮数batch_size1批大小若使用 GPU请根据显存实际情况调整num_workers0数据加载子进程数eval_datasetNone验证集设置后 Trainer 会在每个save_interval轮执行一次评估log_interval10打印日志的间隔单位为批训练次数save_interval10保存模型的间隔单位为训练轮数collate_fnNone自定义 batch 合并函数默认对样本各字段沿 0 轴 stack补充说明两点训练细节源自源码若设置了eval_datasetTrainer 要求模型实现validation_step方法否则抛出NotImplementedError——msgnet 模块恰好通过StyleTransferModule基类实现了该方法内容/风格感知损失计算因此天然支持训练中评估训练日志在log_interval步打印一次包含loss、各指标与学习率、吞吐与 ETA若开启use_vdl还会同步写入TRAIN/loss、EVAL/loss等标量曲线。五、模型预测加载最优 checkpoint 进行推理完成 Fine-tune 后训练过程中在验证集上表现最优的模型会被自动保存到${CHECKPOINT_DIR}/best_model目录${CHECKPOINT_DIR}即训练时选择的 checkpoint 目录。这一机制可在 trainer.py 中得到印证每次评估后若compare_metrics判定新指标优于历史最优则将模型保存至best_model路径。使用最优模型进行预测的脚本 demo/style_transfer/predict.py 如下import paddle import paddlehub as hub if __name__ __main__: model hub.Module(namemsgnet, load_checkpoint/PATH/TO/CHECKPOINT) result model.predict(origin[venice-boat.jpg], stylecandy.jpg, visualizationTrue, save_pathstyle_tranfer)参数配置正确后执行python predict.py即可。predict方法定义于 cv_module.py参数含义如下参数说明origin内容图像路径列表或 BGR 格式图像数组style风格图像路径或 BGR 格式图像batch_size预测批大小默认 1visualization是否保存结果图像默认 Truesave_path结果保存路径默认style_tranfer内部实现上预测在paddle.no_grad()上下文中进行先对风格图做 transform 并unsqueeze(0)扩展 batch 维随后按batch_size分批处理内容图逐批调用模型前向得到迁移结果并将结果按风格图文件名写入save_path目录目录不存在时会自动创建。示例中使用的 venice-boat.jpg 与 candy.jpg 均位于仓库 demo/style_transfer/ 目录下可直接替换为自己的图像路径。NOTE进行预测时所选择的 module、checkpoint_dir、dataset 必须和 Fine-tune 时保持一致否则权重维度不匹配或数据分布不一致会导致预测异常。六、服务部署PaddleHub Serving 在线风格迁移服务PaddleHub Serving 可以将训练好的模型一键部署为在线 API 服务供外部程序通过 HTTP 调用。Step1启动 PaddleHub Serving$ hub serving start -m msgnet执行后即完成风格迁移服务化 API 的部署默认监听端口为 8866。NOTE如使用 GPU 预测需要在启动服务前设置CUDA_VISIBLE_DEVICES环境变量仅用 CPU 推理则无需设置。Step2发送预测请求服务端就绪后以下代码即可发送预测请求并获取结果import requests import json import cv2 import base64 import numpy as np def cv2_to_base64(image): data cv2.imencode(.jpg, image)[1] return base64.b64encode(data.tostring()).decode(utf8) def base64_to_cv2(b64str): data base64.b64decode(b64str.encode(utf8)) data np.fromstring(data, np.uint8) data cv2.imdecode(data, cv2.IMREAD_COLOR) return data # 发送HTTP请求 org_im cv2.imread(/PATH/TO/ORIGIN/IMAGE) style_im cv2.imread(/PATH/TO/STYLE/IMAGE) data {images:[[cv2_to_base64(org_im)], cv2_to_base64(style_im)]} headers {Content-type: application/json} url http://127.0.0.1:8866/predict/msgnet r requests.post(urlurl, headersheaders, datajson.dumps(data)) data base64_to_cv2(r.json()[results][data][0]) cv2.imwrite(style.png, data)请求逻辑要点客户端读取内容图与风格图经cv2_to_base64编码为 Base64 字符串按{images: [[内容图base64], 风格图base64]}结构组装 JSON 请求体POST 到http://127.0.0.1:8866/predict/msgnetURL 末尾即模块名响应中results[data][0]为结果图的 Base64用base64_to_cv2解码回 BGR 图像并cv2.imwrite保存为style.png。服务端侧的图像解码、模型推理与结果编码由 Serving 框架与StyleTransferModule继承的ImageServing基类协同完成开发者无需关心底层 HTTP 协议细节。七、小结本文围绕 PaddleFormers 仓库的 风格迁移文档 展开完整覆盖了从环境依赖、hub run命令行预测到基于 MSGNet 的四步 Fine-tune 流程、最优 checkpoint 预测推理再到 Serving 在线服务部署的全链路。结合 msgnet 模块源码 可看到风格迁移效果来源于 Inspiration 层的格拉姆矩阵风格调制与 Vgg16 感知损失约束结合 Trainer 源码 可明确best_model、compare_metrics等关键机制的落点。读者可在此基础上替换自己的内容/风格图像、调整epochs、batch_size、learning_rate等超参将同样的四步流程迁移到仓库内其他支持 Fine-tuning 的 CV 模块上。赞分享人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载相关推荐PaddleHub msgnet 风格迁移实战从预训练模型推理到 Fine-tune 与服务化部署PaddleHub msgnet 风格迁移实战从预训练模型推理到 Fine tune 与服务化部署 本文是一份围绕 PaddleHub msgnet 风格迁移人工智能预训练微调模型推理服务PaddleFormers 仓库实战基于 PaddleHub ERNIE/BERT 的序列标注 Fine-tune 与中文命名实体识别PaddleFormers 仓库实战基于 PaddleHub ERNIE/BERT 的序列标注 Fine tune 与中文命名实体识别 本指南以 docs/d人工智能预训练微调模型推理服务PaddleHub 图像着色实战基于 user_guided_colorization 的 Fine-tune、命令行预测与服务化部署PaddleHub 图像着色实战基于 user_guided_colorization 的 Fine tune、命令行预测与服务化部署 本指南以 docs/d人工智能预训练微调模型推理服务创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 基于 PaddleHub 的 MSGNet 风格迁移实战：从 Fine-tune 到服务化部署（PaddleFormers 仓库指南）
人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载导读本文以 PaddleFormers 仓库中 风格迁移 Fine-tune 指南 为骨架完整讲解如何基于 PaddleHub 使用 MSGNetMulti-Style Generative Network预训练模型完成风格迁移的 Fine-tune、命令行/代码预测与 Serving 在线服务部署。你将掌握hub run命令行推理、四步 Fine-tune 流程数据预处理 → 数据集加载 → 模型加载 → 优化器与 Trainer 配置并深入理解 msgnet 模块的生成器架构、感知损失计算与best_model保存机制可直接在本地复现完整工作流。一、任务背景与依赖准备风格迁移的目标是将一张内容图像的内容与一张风格图像的纹理、配色风格融合生成内容不变、风格迁移的新图像。本示例使用 PaddleHub 提供的msgnet预训练模型该模型属于图像-图像编辑类别网络结构为 MSGNet使用 COCO2014 数据集训练模型大小约 68MB支持 Fine-tuning详见 msgnet 模块说明。开始之前需要满足以下环境依赖paddlepaddle 2.0.0rcpaddlehub 2.0.0安装方式可参考仓库中的快速入门文档零基础 Windows 安装、零基础 Linux 安装、零基础 macOS 安装。安装完成后也可通过hub install msgnet显式安装该模块。二、命令行快速预测一条命令体验风格迁移安装完成后无需编写任何代码即可体验风格迁移。在终端中执行$ hub run msgnet --input_path /PATH/TO/ORIGIN/IMAGE --style_path /PATH/TO/STYLE/IMAGE其中--input_path指定内容图像路径--style_path指定风格图像路径。仓库的 风格迁移示例目录 中提供了两张可直接用于测试的样例图内容图 venice-boat.jpg威尼斯小船与风格图 candy.jpg糖果风格读者可将其路径替换进命令进行首轮体验。命令行预测的底层实现位于 paddlehub/module/cv_module.py 的StyleTransferModule基类该类继承自RunModule与ImageServing通过add_module_args注册--input_path、--style_path、--output_dir、--visualization等命令行参数并在run方法中调用self.predict(...)完成推理与结果保存使模块天然具备命令行可用的能力。三、MSGNet 模型原理从源码看风格迁移网络在进入 Fine-tune 之前先理解被微调的对象。msgnet 模块的完整 Paddle 实现位于 modules/image/Image_gan/style_transfer/msgnet/module.py其核心结构可以拆解为以下几部分GramMatrix格拉姆矩阵对特征图[b, ch, h, w]重塑为[b, ch, w*h]后与其转置做bmm再除以ch*h*w归一化用于表征风格特征纹理统计信息。ConvLayer反射填充卷积使用nn.Pad2D(..., modereflect)反射填充后再卷积避免普通补零在图像边缘产生伪影。Bottleneck / UpBottleneck残差与上采样残差块前者为预激活残差块参考《Identity Mapping in Deep Residual Networks》后者支持带nn.Upsample的上采样残差连接实现恒等映射贯穿生成器对应 MSG-Net 论文设计。Inspiration灵感层MSG-Net 的核心创新持有可学习参数weight与目标格拉姆矩阵G通过setTarget()注入风格图像的特征格拉姆矩阵在推理/训练时对特征图做仿射式风格调制。Vgg16前四层加载vgg16.pdparams预训练权重输出relu1_2 / relu2_2 / relu3_3 / relu4_3四层特征用于计算感知损失内容损失与风格损失。MSGNet 生成器输入 3 通道图像经ConvLayer(7x7) Bottleneck两级下采样 →Inspiration风格注入 → 6 个Bottleneck残差块 →UpBottleneck两级上采样 →ConvLayer(7x7)输出 3 通道图像。从源码结构可以推断风格迁移的损失并非简单的逐像素损失而是感知损失内容损失取生成图与内容图在 Vgg16relu2_2特征上的 MSE风格损失则是多尺度特征图格拉姆矩阵的 MSE 之和。这一推断可在 cv_module.py 的validation_step中直接印证loss content_loss style_loss并以content gap与style gap作为训练监控指标。四、Fine-tune 四步曲完整代码与参数解读使用 PaddleHub Fine-tune API 微调 msgnet 共分 4 步仓库 demo/style_transfer/train.py 提供了可直接运行的完整脚本下文逐步骤拆解。Step1定义数据预处理方式import paddlehub.vision.transforms as T transform T.Compose([T.Resize((256, 256), interpolationLINEAR)])paddlehub.vision.transforms数据增强模块提供了丰富的数据预处理方式用户可按需替换。从 transforms.py 源码看Compose接受一个 transforms 列表并支持to_rgb是否从 BGR 转 RGB默认 False与channel_first是否将 HWC 排列为 CHW默认 True两个参数其__call__支持直接传入图像路径内部用cv2.imread读取或np.ndarray图像。这里使用Resize((256, 256), interpolationLINEAR)将图像统一缩放到 256×256并使用线性插值以适配风格迁移对平滑性的要求。Step2下载数据集并使用from paddlehub.datasets.minicoco import MiniCOCO styledata MiniCOCO(transformtransform, modetrain)参数说明transform数据预处理方式即 Step1 定义的Compose对象mode数据模式可选项为train、test默认train。MiniCOCO的数据集准备代码参考 paddlehub/datasets/minicoco.py。从源码可以确认该数据集继承paddle.io.Dataset通过装饰器download_data(url...)在首次使用时自动从网络下载minicoco.tar.gz并解压到用户目录$HOME/.paddlehub/dataset下数据规模为训练集 2001 张、测试集 200 张均源自 COCO2014并附带21styles目录下的 21 张风格参考图__getitem__中内容图按索引取风格图按idx % len(self.style)循环取从而将任意内容图与 21 种风格随机配对这正是风格迁移训练数据配对的实现细节返回的im, style均经过 transform 并转为 float32。Step3加载预训练模型model hub.Module(namemsgnet, load_checkpointNone)参数说明name预训练模型名称此处为msgnetload_checkpoint是否加载自训模型权重。为None时加载模块自带默认参数style_paddle.pdparams传入路径则加载自定义 checkpoint。对应源码逻辑见 module.py当load_checkpoint非空时调用paddle.load加载用户权重否则加载默认 checkpoint并针对 InstanceNorm 的scale/bias参数做特殊初始化bias 置零、scale 置一保证迁移学习起点正确。Step4选择优化策略并启动训练import paddle from paddlehub.finetune.trainer import Trainer optimizer paddle.optimizer.Adam(learning_rate0.0001, parametersmodel.parameters()) trainer Trainer(model, optimizer, checkpoint_dirtest_style_ckpt) trainer.train(styledata, epochs101, batch_size4, eval_datasetstyledata, log_interval10, save_interval10)优化策略Paddle 2.0rc 提供了多种优化器选择如SGD、Adam、Adamax等。本例使用Adamlearning_rate全局学习率此处设为 1e-4parameters待优化的模型参数。Trainer 运行配置Trainer主要控制 Fine-tune 的训练其实现位于 paddlehub/finetune/trainer.py可配置参数包括参数说明model被优化模型optimizer优化器选择use_vdl是否使用 VisualDL 可视化训练过程checkpoint_dir保存模型参数的目录从源码看未指定时默认生成ckpt_timestamp目录并自动创建该目录compare_metrics比较指标以保存最优模型的回调函数默认使用内置_compare_metrics从metrics.pkl读取历史最优指标进行比较trainer.train控制具体训练过程从 trainer.py 的签名可确认全部参数及默认值参数默认值说明train_dataset必填训练数据集epochs1训练轮数batch_size1批大小若使用 GPU请根据显存实际情况调整num_workers0数据加载子进程数eval_datasetNone验证集设置后 Trainer 会在每个save_interval轮执行一次评估log_interval10打印日志的间隔单位为批训练次数save_interval10保存模型的间隔单位为训练轮数collate_fnNone自定义 batch 合并函数默认对样本各字段沿 0 轴 stack补充说明两点训练细节源自源码若设置了eval_datasetTrainer 要求模型实现validation_step方法否则抛出NotImplementedError——msgnet 模块恰好通过StyleTransferModule基类实现了该方法内容/风格感知损失计算因此天然支持训练中评估训练日志在log_interval步打印一次包含loss、各指标与学习率、吞吐与 ETA若开启use_vdl还会同步写入TRAIN/loss、EVAL/loss等标量曲线。五、模型预测加载最优 checkpoint 进行推理完成 Fine-tune 后训练过程中在验证集上表现最优的模型会被自动保存到${CHECKPOINT_DIR}/best_model目录${CHECKPOINT_DIR}即训练时选择的 checkpoint 目录。这一机制可在 trainer.py 中得到印证每次评估后若compare_metrics判定新指标优于历史最优则将模型保存至best_model路径。使用最优模型进行预测的脚本 demo/style_transfer/predict.py 如下import paddle import paddlehub as hub if __name__ __main__: model hub.Module(namemsgnet, load_checkpoint/PATH/TO/CHECKPOINT) result model.predict(origin[venice-boat.jpg], stylecandy.jpg, visualizationTrue, save_pathstyle_tranfer)参数配置正确后执行python predict.py即可。predict方法定义于 cv_module.py参数含义如下参数说明origin内容图像路径列表或 BGR 格式图像数组style风格图像路径或 BGR 格式图像batch_size预测批大小默认 1visualization是否保存结果图像默认 Truesave_path结果保存路径默认style_tranfer内部实现上预测在paddle.no_grad()上下文中进行先对风格图做 transform 并unsqueeze(0)扩展 batch 维随后按batch_size分批处理内容图逐批调用模型前向得到迁移结果并将结果按风格图文件名写入save_path目录目录不存在时会自动创建。示例中使用的 venice-boat.jpg 与 candy.jpg 均位于仓库 demo/style_transfer/ 目录下可直接替换为自己的图像路径。NOTE进行预测时所选择的 module、checkpoint_dir、dataset 必须和 Fine-tune 时保持一致否则权重维度不匹配或数据分布不一致会导致预测异常。六、服务部署PaddleHub Serving 在线风格迁移服务PaddleHub Serving 可以将训练好的模型一键部署为在线 API 服务供外部程序通过 HTTP 调用。Step1启动 PaddleHub Serving$ hub serving start -m msgnet执行后即完成风格迁移服务化 API 的部署默认监听端口为 8866。NOTE如使用 GPU 预测需要在启动服务前设置CUDA_VISIBLE_DEVICES环境变量仅用 CPU 推理则无需设置。Step2发送预测请求服务端就绪后以下代码即可发送预测请求并获取结果import requests import json import cv2 import base64 import numpy as np def cv2_to_base64(image): data cv2.imencode(.jpg, image)[1] return base64.b64encode(data.tostring()).decode(utf8) def base64_to_cv2(b64str): data base64.b64decode(b64str.encode(utf8)) data np.fromstring(data, np.uint8) data cv2.imdecode(data, cv2.IMREAD_COLOR) return data # 发送HTTP请求 org_im cv2.imread(/PATH/TO/ORIGIN/IMAGE) style_im cv2.imread(/PATH/TO/STYLE/IMAGE) data {images:[[cv2_to_base64(org_im)], cv2_to_base64(style_im)]} headers {Content-type: application/json} url http://127.0.0.1:8866/predict/msgnet r requests.post(urlurl, headersheaders, datajson.dumps(data)) data base64_to_cv2(r.json()[results][data][0]) cv2.imwrite(style.png, data)请求逻辑要点客户端读取内容图与风格图经cv2_to_base64编码为 Base64 字符串按{images: [[内容图base64], 风格图base64]}结构组装 JSON 请求体POST 到http://127.0.0.1:8866/predict/msgnetURL 末尾即模块名响应中results[data][0]为结果图的 Base64用base64_to_cv2解码回 BGR 图像并cv2.imwrite保存为style.png。服务端侧的图像解码、模型推理与结果编码由 Serving 框架与StyleTransferModule继承的ImageServing基类协同完成开发者无需关心底层 HTTP 协议细节。七、小结本文围绕 PaddleFormers 仓库的 风格迁移文档 展开完整覆盖了从环境依赖、hub run命令行预测到基于 MSGNet 的四步 Fine-tune 流程、最优 checkpoint 预测推理再到 Serving 在线服务部署的全链路。结合 msgnet 模块源码 可看到风格迁移效果来源于 Inspiration 层的格拉姆矩阵风格调制与 Vgg16 感知损失约束结合 Trainer 源码 可明确best_model、compare_metrics等关键机制的落点。读者可在此基础上替换自己的内容/风格图像、调整epochs、batch_size、learning_rate等超参将同样的四步流程迁移到仓库内其他支持 Fine-tuning 的 CV 模块上。赞分享人工智能预训练微调模型推理服务【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址https://gitcode.com/gh_mirrors/pa/PaddleFormers点击查看免费下载相关推荐PaddleHub msgnet 风格迁移实战从预训练模型推理到 Fine-tune 与服务化部署PaddleHub msgnet 风格迁移实战从预训练模型推理到 Fine tune 与服务化部署 本文是一份围绕 PaddleHub msgnet 风格迁移人工智能预训练微调模型推理服务PaddleFormers 仓库实战基于 PaddleHub ERNIE/BERT 的序列标注 Fine-tune 与中文命名实体识别PaddleFormers 仓库实战基于 PaddleHub ERNIE/BERT 的序列标注 Fine tune 与中文命名实体识别 本指南以 docs/d人工智能预训练微调模型推理服务PaddleHub 图像着色实战基于 user_guided_colorization 的 Fine-tune、命令行预测与服务化部署PaddleHub 图像着色实战基于 user_guided_colorization 的 Fine tune、命令行预测与服务化部署 本指南以 docs/d人工智能预训练微调模型推理服务创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考