网络化部署一直是我非常想做的，现在已经基本看到了门路。今天早上实验，发现在手机上的支持也非常好（对于相机的支持还差一点），证明B/S结构的框架是非常有生命力的。下一步就是要将这个过程深化、总结，并且封装出来。我罗列了以下具体工作，分为三天完成
1、如何将服务长期运行；
2、将cbir模型移植过来，解决垂直领域问题；
3、B/S方式是未来，学习现有框架中B/S的构建方法，还需要一些修改界面的知识；
4、webapi的实现原理；
5、styletransform模型移植，特别是手机；
6、docker离线，实验；
7、成为服务，blog，发布出去；
现在我们已经有很棒的cbir分类了，下一步我会进一步将其优化成多个服务的模式。现在是研究styletransform的时候了。
5、styletransform模型移植，特别是手机；
sf 一直 是我一直以来最想实现的一个效果，好在最新版本的sf直接就带了这样一个可以运行的例子，并且直接可以运行
python neural_style_transfer.py
第一个参数
-你的基图像路径
第二个参数
-你的风格图像路径
第三个参数
-你要保存的生产图片路径加名称（注意不需要有.jpg后缀）
例：
python neural_style_transfer.py
'/home/xxx/Documents/Test/tiananmen.png'
'/home/xxx/Documents/Test/fangao.jpg'
'/home/xxx/Documents/Test/tiananmen_fangao'
最后的结果是这样，有点意思。现在的问题就是速度太慢了，无法达到prisma准实时的效果。（啊，嘴巴好红）
5.2如何查看服务器的数据
现在存在的问题是，大量的数据运算都需要依赖服务器；而我现在服务器又无法直接看到，所以需要搭建一个服务。
winscp完全解决这个问题，很好
可以发现，一旦项目落地，网络传输的实际问题就会被提出来，可能必须在开始的时候就需要考虑图像的压缩。但是现在还不思考这个问题。
5.3现在就是需要修改界面，能够将这一套上传上去，再显示出来。
5.4更重要的问题是，现有的运算条件，无法支持实时运算（实际上vps就不给运算）。有什么提速方法吗？
参考相关资料，肯定是需要预先训练模型的。而且这个模型不仅仅是vgg模型，而是将迁移后的结果已经放在里面的模型，这样速度才能够快。
也就是现在找到的代码，还没有完全解决问题。我需要的，仍然是更强的预训练算法。
这里我找到的是 fast-neural-style-tensorflow
https://github.com/hzy46/fast-neural-style-tensorflow
提供了更多资料。
5.5那么，首先如何在应用层次上面解决问题？
运行它的命令，可以得到这样的图片（信大内湖）效果是不错，但是即使是应用层次的，我也想能够训练一个自己想要的图片的。
python eval.py - -model_file <your path to wave.ckpt -done > - -image_file img /test.jpg
最近在关心穆夏，那么就训练这个吧。
模型中 wave.yml是配置文件，比如
## Basic configuration
style_image : img / wave.jpg # targeted style image
naming : "wave" # the name of this model. Determine the path to save checkpoint and events file.
model_path : models # root path to save checkpoint and events file. The final path would be <model_path>/<naming>
## Weight of the loss
content_weight : 1. 0 # weight for content features loss
style_weight : 220. 0 # weight for style features loss
tv_weight : 0. 0 # weight for total variation loss
## The size, the iter number to run
image_size : 256
batch_size : 4
epoch : 2
## Loss Network
loss_model : "vgg_16"
content_layers : # use these layers for content loss
- "vgg_16/conv3/conv3_3"
style_layers : # use these layers for style loss
- "vgg_16/conv1/conv1_2"
- "vgg_16/conv2/conv2_2"
- "vgg_16/conv3/conv3_3"
- "vgg_16/conv4/conv4_3"
checkpoint_exclude_scopes : "vgg_16/fc" # we only use the convolution layers, so ignore fc layers.
loss_model_file : "pretrained/vgg_16.ckpt" # the path to the checkpoint
看上去是如何训练的基础方法。但是它需要下载整个coco来进行训练，也就是将vgg重新迅雷一下。这样所谓的wave-ckpt其实就是一个简化版的vgg，而不是模型迁移，整个就是模型重新训练。这个概念是之前没有的。
这个是12.6g,,让vps下一会吧，这里要把相关资料都整理一下。
如果在学习tensorflow的过程中，想使用tensorboard，但是由于本地主机计算性能等的局限性，很多时候我们都是在远程服务器上运行tensor flow并训练相关模型，所以学会相关远程的操作至关重要，主要是ssh命令和scp命令，这里我们只简述一下如何访问远程的tensor board。
但是也有一种说法是,tensorboar开在0.0.0.0上，如果是这样的话外面不是就可以直接访问吗？
过程
在登录远程服务器的时候使用命令：
ssh -L 16006:127.0.0.1:6006 account@server.address
（代替一般ssh远程登录命令：ssh account@server.address）
训练完模型之后使用如下命令：
tensorboard --logdir="/path/to/log-directory"
（其中，/path/to/log-directory为自己设定的日志存放路径，因人而异）
最后，在本地访问地址：http://127.0.0.1:16006/
建立ssh隧道，实现远程端口到本地端口的转发
具体来说就是将远程服务器的6006端口（tensorboard默认将数据放在6006端口）转发到本地的16006端口，在本地对16006端口的访问即是对远程6006端口的访问，当然，转发到本地某一端口不是限定的，可自由选择。现在就是等待下载完成了，要等到明天晚上开始来做。
OK，现在是晚上了，那么下载下来的12.6g是否完整了
网络的使用上，是已经结束了
实际看上去，也确实是下载完了（我想要一个可以脱机随便下载的地方）
但是硬盘是明显不够了
选择直接升级的方式
首先是做快照，后面可能还会给换回来，但是至少是整个实验完成后。
OK！ NICE
开始训练
仍然是被killed掉了
现在的瓶颈应该主要是内存，如果是这样那还是比较好解决的。但是目前即使成功地进行了转换，也还是需要相当长的时间来进行跟踪研究，并且找到产业化部署的方法，让这个工具和平台能够真正发展下去。我一定会去做成的，但现在还有其它一些东西需要去关心。
在调小batch_size之后，能够训练
但是需要多少时间了？原来的github似乎给出了一个新的方法：
就是查看tensorboard
目前还看不懂，但是不重要，训练已经开始了。将其搞成后台运行的。
用到了爆表，这就对了
