windows下基于tensorflow框架的neural art论文实现

Tensorflow安装

1.windows版本已出，只支持Python，安装Anaconda 64-bit Python 3.5 version 下载。使用Anaconda是因为它包含了很多库不用后续安装。
2.安装cpu版（电脑有gpu可装gpu版）
cmd中输入“pip install tensorflow”(GPU版，“pip install tensorflow-gpu”)。

---

Neural art 实例

论文：
Gatys, Leon A., Alexander S. Ecker, and Matthias Bethge. “A neural algorithm of artistic style.” arXiv preprint arXiv:1508.06576 (2015).

github有各种框架下的代码，使用tensorflow框架下的Prisma修图软件的图片风格转换算法
直接复制的这个文章里的代码，因为最简单，也最易看懂，没有其他函数，就一个.py文件。
建议初学者下载Pycharm使用，会很明确指出代码错误位置。
也可以去github下其他人编的代码，有一些会把每个功能函数分别写成.py文件一一调用。

相关：
1. 理论上基于论文给予的代码可以模仿任意风格，在调整好权重的情况下大部分风格可以得到很好的模拟，可以去原作者网站查看效果，deepart.io
2. 16年李飞飞教授的基于这篇文章的fast-neural-art，跟原作者相比速度上得到极大的提升，理论上将transfer net和loss net分离，并且针对每一个风格进行预训练，将训练得到的网络参数存为ckpt格式，在对内容图像进行风格变换时，不需要再输入风格图像，只需要restore预存的网络参数即可。看了别人编的代码，https://github.com/hzy46/fast-neural-style-tensorflow 在调用训练好的参数进行训练时，并没有计算loss值再对transfer net的参数做任何优化，直接输入图像经过变换后得到输出图像。（应该是，python不熟，不知道有没有理解错）

感知损失函数

neural art和fast都运用了感知损失函数。
特别是李飞飞教授的文章中，着重强调了感知损失（perpetual loss）的重要性，相较于per-pixel的计算原图和生成图的loss值，感知损失更能体现图像特征上的对比，例如若两幅图像只存在一个像素的位移差，使用per-pixel计算loss值会很大，但是肉眼看上去这两幅图像并没有什么不一样，因此使用感知损失函数来比较图像特征间的不一样来衡量两幅图像的差异度。特征使用卷及神经网络抽象得到。
内容特征的差值就是利用特征间的平方和得到。
风格特征使用的Gram矩阵计算得到，Gram矩阵可看作是同一层不同特征间的协方差和（？）