神经风格迁移-内容代价函数（Content cost function）

来源：Coursera吴恩达深度学习课程

神经风格迁移（neural style transfer）是神经网络一个有意思的应用，要构建一个神经风格迁移系统，需要为生成的图像定义代价函数（cost function）。我们先定义内容代价函数（content cost function）。

如上图，（1）用隐含层l来计算内容代价函数，如果l是个很小的数，比如用隐含层1，这个代价函数就会使生成图片像素上非常接近内容图片。然而如果你用很深的层，那么你就会问，内容图片里是否有狗，然后它就会确保生成图片里有一个狗。所以在实际中，这个层l在网络中既不会选的太浅也不会选的太深。具体例子里通常会选择在网络的中间层，既不太浅也不很深，（2）然后用一个预训练的卷积模型，可以是VGG网络或者其他的网络也可以。接下来你需要衡量假如有一个内容图片和一个生成图片他们在内容上的相似度，（3）我们令这个a^[l][C]和a^[l][C]，分别代表这两个图片C和G的l层的激活函数值。（4）如果这两个激活值相似，那么就意味着两个图片的内容相似。

衡量两个激活值不同或相似的程度用如下公式：

取l层的隐含单元的激活值，按元素相减，然后取平方，前面可以加上归一化或者不加，比如1/2。这里用的符号都是展成向量形式（vectors）的，因此对应元素相减变成了L2范数的平方。然后用梯度下降法来找到图像G，使得隐含层的激活值和你内容图像的相似。

这就是如何定义风格迁移网络的内容代价函数，接下来的文章让我们学习风格代价函数。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。