探索神经风格传输网络的设计选择和技术的直观指南
介绍
神经风格迁移(NST)是一个非常巧妙的想法。 NST的核心理念是:
在CNN中,可以将在计算机视觉任务(例如图像识别任务)中学习到的样式表示和内容表示分离开来。
遵循这一概念,NST采用预训练卷积神经网络(CNN)将样式从给定图像传递到另一个图像。这是通过定义损失函数来完成的,该函数试图最小化内容图像、样式图像和生成的图像之间的差异,这将在后面详细讨论。在本教程结束时,您将能够创建非常酷的艺术作品,如下所示。
本文的目标
本文的目的是提供一个原则性的指南,而不是对算法进行简单的介绍,或者用冗长乏味的代码扼杀读者。特别是到本文结束时,我希望读者能够理解NST背后的概念,并了解为什么某些事情就是这样(例如损失函数)。作为额外的好处,读者可以浏览端到端的代码并查看到实际操作。
代码
请注意,我将仅分享文章中最重要的代码段。该算法是使用TensorFlow实现的。
为何选择NST?
深度神经网络已经超越了物体识别和检测等任务中的人类水平表现。然而,深度网络在产生具有高感知质量的艺术品之类的任务方面还远远落后。使用机器学习技术创造更高质量的艺术品对于达到类似人类的能力是必要的,同时也开辟了一系列新的可能性。随着计算机硬件的进步以及深度学习的激增,深度学习正在被用于创作艺术。例如,人工智能生成的艺术品不会在拍卖中以高达432,500美元的价格出售。
高水平的架构
如前所述,神经样式迁移使用预训练卷积神经