既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
content_image = scale_image(np.asarray(Image.open(‘7.jpg’)))
style_image = scale_image(np.asarray(Image.open(‘starry-night.jpg’)))
#### VGG预处理
`Keras` 预训练模型期望输入图像的BGR范围为 `[0, 255]` 。因此，第一步是反转颜色通道，以将 `RGB` 转换为`BGR` 。 `VGG` 对不同的颜色通道使用不同的平均值，可以使用 `tf.keras.applications.vgg19.preprocess_input()` 进行预处理，在 `preprocess_input()` 内部，分别为B，G和R通道的像素值减去 `103.939` 、`116.779` 和 `123.68` 。
以下是前向计算代码，在对图像进行前向计算之前先对其进行预处理，然后再将其输入模型以返回内容特征。然后，我们提取内容特征并将其用作我们的目标：
def extract_features(image):
image = tf.keras.applications.vgg19。preprocess_input(image *255.)
content_ref = model(image)
return content_ref
content_image = tf.reverse(content_image, axis=[-1])
content_ref = extract_features(content_image)
在代码中，由于图像已标准化为 `[0., 1.]`，因此我们需要通过将其乘以255将其恢复为 `[0.，255.]`。然后创建一个随机初始化的输入，该输入也将成为风格化的图像：
image = tf.Variable(tf.random.normal( shape=content_image.shape))
接下来，我们将使用反向传播从内容特征中重建图像。
#### 重建内容
在训练步骤中，我们将图像馈送到冻结的 `VGG` 中以提取内容特征，然后使用
L
2
L\_2
L2损失针对目标内容特征进行度量，用于计算每个特征层的L2损失：
def calc_loss(y_true, y_pred):
loss = [tf.reduce_sum((x-y)**2) for x, y in zip(y_pred, y_true)]
return tf.reduce_mean(loss)
使用 `tf.GradientTape()` 计算梯度。在正常的神经网络训练中，将梯度更新应用于可训练变量，即神经网络的权重。但是，在神经风格迁移中，将梯度应用于图像。之后，将图像值剪裁在 `[0., 1.]` 之间，如下所示：
for i in range(1,steps+1):
with tf.GradientTape() as tape:
content_features = self.extract_features(image)
loss = calc_loss(content_features, content_ref)
grad = tape.gradient(loss, image)
optimizer.apply_gradients([(grad, image)])
image.assign(tf.clip_by_value(image, 0., 1.))
使用block1\_1重建图像，训练了2000步后，得到重构后的内容图像：
使用block4\_1重建图像，训练了2000步后，得到重构后的内容图像：
可以看到使用层block4\_1时，开始丢失细节，例如树叶的形状。当我们使用block5\_1时，我们看到几乎所有细节都消失了，并充满了一些随机噪声：
如果我们仔细观察，树叶的结构和边缘仍然得到保留，并在其应有的位置。现在，我们已经提取了内容，提取内容特征后，下一步是提取样式特征。
#### 用Gram矩阵重建风格
在内容重建中可以看出，特征图（尤其是前几层）既包含风格又包含内容。那么我们如何从图像中提取风格特征呢？方法是使用 `Gram` 矩阵，该矩阵可计算不同滤波器响应之间的相关性。假设卷积层1的激活形状为 `(H, W, C)` ，其中 `H` 和 `W` 是空间尺寸，`C` 是通道数，等于滤波器的数量，每个滤波器检测不同的图像特征。
当具有一些共同的特征(例如颜色和边缘)时，则认为它们具有相同的纹理。例如，如果我们将草地的图像输入到卷积层中，则检测垂直线和绿色的滤波器将在其特征图中产生更大的响应。因此，我们可以使用特征图之间的相关性来表示图像中的纹理。
要通过形状为 `(H, W, C)` 的激活来创建Gram矩阵，我们首先将其重塑为 `C` 个向量。每个向量都是大小为 `H×W` 的一维特征图。对 `C` 个向量执行点积运算，以获得对称的`C×C Gram` 矩阵。在 `TensorFlow` 中计算 `Gram` 矩阵的详细步骤如下：
1. 使用 `tf.squeeze()` 将批尺寸 `(1, H, W, C)` 修改为 `(H, W, C)` ；
2. 转置张量以将形状从 `(H, W, C)` 转换为 `(C, H, W)` ；
3. 将最后两个维度展平为 `(C, H×W)`；
4. 执行特征的点积以创建形状为 `(C, C)` 的 `Gram` 矩阵；
5. 通过将矩阵除以每个展平的特征图中的元素数 `(H×W)` 进行归一化。
计算 `Gram` 矩阵的代码如下：
def gram_matrix(x):
x = tf.transpose(tf.squeeze(x), (2,0,1));
x = tf.keras.backend.batch_flatten(x)
num_points = x.shape[-1]
gram = tf.linalg.matmul(x, tf.transpose(x))/num_points
return gram
可以使用此函数为指定的样式层的每个 `VGG` 层获取 `Gram` 矩阵。然后，我们对来自目标图像和参考图像的 `Gram` 矩阵使用
L
2
L\_2
L2损失。损失函数与内容重建相同。创建 `Gram` 矩阵列表的代码如下：
def extract_features(image):
image = tf.keras.applications.vgg19.preprocess_input(image *255.)
styles = self.model(image)
styles = [self.gram_matrix(s) for s in styles]
return styles
以下图像是从不同VGG图层的风格特征中重构得到的：
在从block1\_1重建的风格图像中，内容信息完全消失，仅显示高频纹理细节。较高的层block3\_1，显示了一些卷曲的形状：
这些形状捕获了输入图像中风格的较高层次。 Gram矩阵的损失函数是平方误差之和而不是均方误差。因此，层次风格较高的层具有较高的固有权重。这允许传输更高级的风格表示形式，例如笔触。如果使用均方误差，则低层次的风格特征(例如纹理)将在视觉上更加突出，并且可能看起来像高频噪声。
### 实现神经风格转换
现在，我们可以合并内容和风格重构中的代码，以执行神经样式转移。
我们首先创建一个模型，该模型提取两个特征块，一个用于内容，另一个用于样式。内容重建使用block5\_conv1层，从block1\_conv1到block5\_conv1的五层用于捕获来自不同层次结构的风格，如下所示：
vgg = tf.keras.applications.VGG19(include_top=False, weights=‘imagenet’)
default_content_layers = [‘block5_conv1’]
default_style_layers = [‘block1_conv1’,
‘block2_conv1’,
‘block3_conv1’,
‘block4_conv1’,
‘block5_conv1’]
content_layers = content_layers if content_layers else default_content_layers
style_layers = style_layers if style_layers else default_style_layers
self.content_outputs = [vgg.get_layer(x).output for x in content_layers]
self.style_outputs = [vgg.get_layer(x).output for x in style_layers]
self.model = Model(vgg.input, [self.content_outputs, self.style_outputs])
在训练循环开始之前，我们从各自的图像中提取内容和风格特征以用作目标。虽然我们可以使用随机初始化的输入来进行内容和风格重建，但从内容图像开始进行训练会更快：
content_ref, _ = self.extract_features(content_image)
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
25)]
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
