图像风格转换实战（TF1.0-V1）

无监督问题，不存在结果，生成问题：图像风格转换

图像分类是有监督问题

不断调整I‘的值，使得f – f’越来越小，当f – f’足够小的时候，认为I与I‘足够相近。

结论：越低层的内容特征，越能得到精细的内容特征效果，越高层的风格特征越能得到越抽象的风格特质结果。

损失函数：某一层的特征值的平方差。

F：图像输入到卷积神经网络中去得到的某一层的激活值。对应位置上和待生成的图像的特征相减做平方。

风格特征基于关联性进行计算

Gram矩阵：图像在某一层上的激活值有很多个feature map，多个神经元图的输出两两之间做相似度计算（内积）。

因为慢，所以V1并不实用。

V2，V3则可以用一次转换的方式实现图像风格转换。

TF1.0实战：

http://localhost:8888/notebooks/tensorflow1_14_0-style_transfer.ipynb

使用VGG16网络结构预训练

图像风格转换V2算法

V1算法缺点：每次需要随机初始化图像，使用梯度下降的方式进行图像求解。这样就需要运行多次梯度下降的方法，使得效率低。

提升效率—V2算法

输入图像可以变，但风格图片是固定的。

在V1算法中，y~是随机初始化的，在V2算法中，y~并不是随机初始化的，而是由把内容图像输入到trandform net中去，得到的y~，所以相当于train trandform net网络。而不是train y。

区别：y~的来源

在V2的训练过程中，只能一次给一个风格train一个网络。则image trandform net对应的是一种风格。在训练过程中保持风格图像不变，可以切换内容图像。

相同点：后半部分

还可以应用于图像超清化，此时输入的x为模糊的图片，yc是输入的与x对应的超清图片

strided为步长为2的卷积层，fractionally strided为 strided的逆操作，步长为0.5

V1，V2都存在风格损失无法定义的缺点（gram矩阵无法解释）

图像风格转换V3算法