keras如何實現(xiàn)圖像風格轉換 -，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

創(chuàng)新互聯(lián)公司是一家集網(wǎng)站建設,南澳企業(yè)網(wǎng)站建設,南澳品牌網(wǎng)站建設,網(wǎng)站定制,南澳網(wǎng)站建設報價,網(wǎng)絡營銷,網(wǎng)絡優(yōu)化,南澳網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網(wǎng)站。

前言

說到深度學習的應用，第一個想到的就是Prisma App的圖像風格轉換。既然感興趣就直接開始干，讀了論文，一知半解；看了別人的源碼，才算大概了解的具體的實現(xiàn)，也驚嘆別人的奇思妙想。

1. 論文可以參考【A Neural Algorithm of Artistic Style】，網(wǎng)上也有中文的版本。

   http://arxiv.org/abs/1508.06576

2. 使用的工具：py34、keras1.1.2、theano0.8.2、GeForce GT 740M (CNMeM is disabled, cuDNN not available)。

實現(xiàn)原理

1. 總流程

• 實現(xiàn)流程如下，可以看到這里總共分為5層，本次實驗使用vgg16模型實現(xiàn)的。
  

• 如上，a有個別名是conv1_1，b是conv2_1，依次類推，c，d，e對應conv3_1，conv4_1，conv5_1；輸入圖片有風格圖片style image和內容圖片content image，輸出的是就是合成圖片，然后用合成圖片為指導訓練，但是訓練的對象不像是普通的神經網(wǎng)絡那樣訓練權值w和偏置項b，而是訓練合成圖片上的像素點，以達到損失函數(shù)不斷減少的效果。論文使用的是隨機的噪聲像素圖為初始合成圖，但是使用原始圖片會快一點。

2. 內容損失函數(shù) - Content Loss

• 下面是content loss函數(shù)的定義。
  

• l代表第l層的特征表示，p是原始圖片，x是生成圖片。公式的含義就是對于每一層，原始圖片生成特征圖和生成圖片的特征圖的一一對應做平方差。

3. 風格損失函數(shù) - style loss

• 在定義風格損失函數(shù)之前首先定義一個Gram矩陣。
  

• F是生成圖片的特征圖。上面式子的含義：Gram第i行，第j列的數(shù)值等于把生成圖在第l層的第i個特征圖與第j個特征圖分別拉成一維后相乘求和。
  

• 上面是風格損失函數(shù)，Nl是指生成圖的特征圖數(shù)量，Ml是圖片寬乘高。a是指風格圖片，x是指生成圖片。G是生成圖的Gram矩陣，A是風格圖的Gram矩陣，wl是權重。

4. 總損失

• 總損失函數(shù)如下，alpha與beta比例為1*10^-3或更小。
  

代碼講解

1. 圖片預處理和還原

2. content loss

3. style loss

結果

1. 可以看出效果每一代都有進步，因為自己的顯卡渣，跑一代估計要1.5個小時，自己測試的時候總共跑了14個小時，不過這里有個技巧，就是可以把上一代的圖片繼續(xù)做輸入，這樣中途有什么事就可以停止。下次只要把上次輸出的圖片當輸入就可以。

2. vgg16模型加載原項目的權值。

3. 具體項目代碼可見githua上的代碼、權值文件和測試圖片，因為中途修改過，可能有些地方需要改過來，不過代碼比較簡單，估計很快就可以找到問題了。

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)的支持。

文章名稱：keras如何實現(xiàn)圖像風格轉換-
當前地址：http://chinadenli.net/article24/joscce.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站設計、微信公眾號、Google、微信小程序、網(wǎng)站設計公司、網(wǎng)頁設計公司

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)