深度学习实战（一）快速理解实现风格迁移

前言

Gatys大神之前发表了一篇利用风格迁移进行作画的文章，让普通的照片具有名人的画风，效果如下：

让一篇普通的图片有了梵高的风格，厉害了。
文章链接：A Neural Algorithm of Artistic Style

其实我们也可以利用风格迁移实现自己的风格，比如本文实现的国画风格。难点在于很多国画背景与内容色差并没西方画作那么明显，有的仅用淡墨，黑白两色就可以完成。这样给风格迁移学习带来较大困难，不过通过调节学习速率和损失函数也可以实现很好的学习效果。比如本文实现的国画风格：


风格迁移1. 马

风格迁移2. 山水

是不是很有意思！接下来我们就一起来理解实现风格迁移。

实现风格迁移主要依赖于
• torch7
• loadcaffe
• VGG-19 model

可选：
CUDA ，cuDNN，OpenCL

安装相关平台还是蛮麻烦的， 需要 protobuf, loadcaffe, torch 三件套。而且有些 trick ，比如 lua 版本要足够新否则会有包安装不上的问题 （luarocks），需要查询相关安装说明，github issue 以及 FAQ 耐心解决。

相关代码整理在我的GitHub上，感兴趣的同学可以直接克隆下来调试玩一玩。

GitHub地址：https://github.com/TONYCHANBB/Chinese_painting-style

原理

回到原理上来，作者定义了两个损失函数：style loss 和 content loss，回到文章初始的图上来

将图a的style loss 和 图p的content loss 组合起来，最小化total loss function求得x

$$L_{total}(\vec{p},\vec{a},\vec{x})=\alpha L_{content}(\vec{p},\vec{x})+\beta L_{style}(\vec{a},\vec{x})$$
其中， $\alpha$, $\beta$对应两个loss的权重，调节它们会得到不同的效果。

如何得到两个损失函数和内容风格重建呢呢，我们回到网络结构上来，作者利用了VGG-Network16个卷积层和5个池化层，没有用全连接层，采用的平均池化。（文末有VGG的网络结构图）

对于内容重建来说，用了原始网络的五个卷积层，‘conv1_1’ (a), ‘conv2_1’ (b), ‘conv3_1’ (c), ‘conv4_1’ (d) and ‘conv5_1’ (e)，即图下方中的a、b、c、d、e。VGG 网络主要用来做内容识别，在实践中作者发现，使用前三层a、b、c已经能够达到比较好的内容重建工作，d、e两层保留了一些比较高层的特征，丢失了一些细节。

对于风格重建,用了卷积层的不同子集：
‘conv1_1’ (a),
‘conv1_1’ and ‘conv2_1’ (b),
‘conv1_1’, ‘conv2_1’ and ‘conv3_1’ (c),
‘conv1_1’, ‘conv2_1’ , ‘conv3_1’and ‘conv4_1’ (d),
‘conv1_1’, ‘conv2_1’ , ‘conv3_1’, ‘conv4_1’and ‘conv5_1’ (e)

这样构建网络可以忽略图像的内容，保留风格。

内容损失函数：

$L_{content}$采用平方损失函数，为每个像素的损失和

Lcontent(p⃗ ,