神经风格转换是卷积神经网络最具创造性的应用之一。神经网络通过获取内容图像和风格图像，将内容和风格图像进行重组，有效地创造出艺术图像！

这些算法非常灵活，内容和风格用无限可能的组合产生了非常有创意和独特的结果。



事实上，一家公司优化了算法并发布了一个名为Prisma的移动应用程序，它使用神经风格转换将艺术风格应用于你的手机拍摄的照片上！



在本文中，我们将重新创建Gatys等人提出的算法，以实现上述类似结果。请注意，我使用的是笔记本电脑，因此如果您使用的是CPU更好的台式机，结果可能略有不同。

和平时一样，如果你被卡住了，可以随时查阅完整的笔记本。

我们开始吧！

此嵌入内容来自不符合浏览器上已启用的不跟踪(DNT)设置的站点。

请注意，如果你点击并查看它，你可能会被网站托管嵌入跟踪。

第一步:加载VGG – 19

从头开始构建算法需要大量的时间和计算能力，这对每个人来说都不是能轻松获得的。

相反，我们将加载现有网络的权重以实现神经风格的传输。

将神经网络用于不同目的的过程称为转移学习。

让我们这样加载模型：

model = load_vgg_model(“pretrained-model/imagenet-vggverydeep-19.mat”)

太棒了!现在，我将用一张卢浮宫的图片作为内容图片。

你可以加载任何你想要的图片，但要确保图片不要太大:

content_image = scipy.misc.imread(“images/louvre.jpg”)

imshow(content_image)

在我的例子中，输出如下:

第二步：定义内容代价函数

为了使我们的算法生成优质的图像，我们需要确保生成的图像的内容与输入图像的内容匹配。

换句话说，生成的图像也应该有金字塔、周围的建筑物、云、太阳等。

因此，我们希望生成的图像和内容图像的层激活相似。因此，内容代价函数可以定义为：



由上面公式可知，n_H和n_W分别是图像的高度和宽度，其中n_c是隐藏层中的通道数。

为了计算成本，将三维体积展开为二维矩阵更有效，因为这将加快计算速度。

[caption id="attachment_40943" align="aligncenter" width="822"] 展开卷积层以计算成本[/caption]

现在，我们对这个逻辑进行编码：

第三步：定义样式代价函数

现在，我们需要一个样式图像。在我的例子中，我将使用莫奈的印象派作品，但可以自由使用任何其他类型的艺术:

[caption id="attachment_40945" align="aligncenter" width="825"] 谁能告诉我这幅画的名字?[/caption]

与内容代价函数相比，定义样式代价函数是一个稍微复杂一些的过程。我们把它分成几个小部分。

3.1定义Gram矩阵

样式矩阵也称为Gram矩阵，它表示一组向量的点积。

这就捕获了每个向量之间的相似性，因为如果两个向量彼此相似，那么它们的点积将很大，因此Gram矩阵也将很大。



这就是Gram矩阵如何有效地测量图像的样式。

把它变成代码:

3.2定义样式成本

现在，我们要确保生成的图像和样式图像的样式相似。

换句话说，我们想要最小化两个Gram矩阵之间的距离。这表示为:



对逻辑进行编码：

3.3指定样式权重

在前面的步骤中，我们只捕获了单层的样式成本。

将所有图层的样式成本结合起来生成更好的图像是有用的。

在数学上，样式成本变成：



其中lambda是每层的权重。

因此，我们添加此代码单元：

3.4把一切结合起来

现在，我们简单地将所有东西组合成一个统一样式的代价函数:

第四步：定义总代价函数

既然我们有了内容和样式的代价函数，我们就可以将两者结合起来，得到一个总代价函数，该函数将被优化：

其中alpha和beta是任意权重。

第五步：解决优化问题，生成图像

现在，最棒的部分来了!一切就绪，我们就可以解决优化问题，生成一个艺术形象!

# Reset the graph

tf.reset_default_graph()



# Start interactive session

sess = tf.InteractiveSession()



content_image = scipy.misc.imread("images/louvre_small

content_image = reshape_and_normalize_image(content_im



style_image = scipy.misc.imread("images/monet.jpg")

style_image = reshape_and_normalize_image(style_image)



model = load_vgg_model("weights/imagenet-vgg-verydeep-



# Assign the content image to be the input of the VGG

sess.run(model['input'].assign(content_image))



# Select the output tensor of layer conv4_2

out = model['conv4_2']



# Set a_C to be the hidden layer activation from the l

a_C = sess.run(out)



# Set a_G to be the hidden layer activation from same

# and isn't evaluated yet. Later in the code, we'll as

# when we run the session, this will be the activation

a_G = out



# Compute the content cost

J_content = compute_content_cost(a_C, a_G)



# Assign the input of the model to be the "style" imag

sess.run(model['input'].assign(style_image))



# Compute the style cost

J_style = compute_style_cost(model, STYLE_LAYERS)



J = total_cost(J_content,J_style,alpha=10,beta=40)



# define optimizer

optimizer = tf.train.AdamOptimizer(2.0)



# define train_step

train_step = optimizer.minimize(J)



def model_nn(sess, input_image, num_iterations = 200):



# Initialize global variables (you need to run the

sess.run(tf.global_variables_initializer())

在我的例子中，我得到了以下结果：



当然，如果你用更长的时间和更快的学习速度来训练网络，你可以得到更好的结果。

恭喜你！你刚刚在TensorFlow中执行了神经风格转换！你可以使用迭代次数和学习速度尝试随时改变内容和风格形象。这就是你今天的收获，满意吗？