用Keras实现图片风格迁移的算法详解

【摘要】详细分析了基于Keras实现图片风格迁移的生成算法，提供了GUI实现工具；同时，比较了生成式深度学习跟常规深度学习的差异，拓展对神经网络的认识。

 

一. 图片风格迁移生成算法详解

该实现算法及代码，主要取自Keras 之父写的 《Python 深度学习》，有推荐价值。在此基础上，本人开发了一个用tkinter写的实用小工具，通过设置目标图片，风格图片，按开始转换，即可生成风格迁移后的新图片。

源代码可通过以下Github地址获取

https://github.com/EdwinZhang1970/Python/tree/master/Netural%20Style%20Transfer

1. 算法要达到的目标

1. 提供目标图片，风格图片，产生一个新的生成图片
2. 生成图片需要尽量保留目标图片的内容；同时应用风格图片的风格

2. 如何定义和获得图片的内容特征值，风格特征值

1. 根据对深度学习神经网络模型的研究分析，模型网络更靠底部（靠近输入端）的层激活包含了图片的局部，具体信息；更靠顶部（靠近输出端）的层激活，包含了图片的全局，抽象信息。本例算法采用的是VGG19模型，其模型结构是

2. 取图片在模型中的更靠顶部的层激活信息，作为图片的内容特征值，因为是全局的，因此，可以只取一层就可以了。本例算法取的是conv5_2, 代码中为block5_conv2

content_layer = 'block5_conv2'

3. 取图片在模型中的更靠底部的层激活信息，作为图片的风格特征值，因为是局部的，因此，需要多取几层，以获得更全面的风格特征信息。本例中取的是 conv1_1,