《深度学习之PyTorch实战计算机视觉》学习笔记（9）

这部分是利用pytorch 进行实战，利用迁移vgg16 来实现图片的风格迁移
代码基于python3.7， pytorch 1.0，cuda 10.0 .

pytorch图像风格迁移实战

获取一张内容图片和一张风格图片；定义两个度量值，一个度量叫作内容度量值，另一个度量叫作风格度量值，其中的内容度量值用于衡
量图片之间的内容差异程度，风格度量值用于衡量图片之间的风格差异程度；最后，建立神经网络模型，对内容图片中的内容和风格图片
的风格进行提取，以内容图片为基准将其输入建立的模型中，并不断调整内容度量值和风格度量值，让它们趋近于最小，最后输出的图片
就是内容与风格融合的图片。----来自《深度学习之PyTorch实战计算机视觉》

import torch
from torch.autograd import Variable
import torchvision
from torchvision import transforms, models
import copy
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

# 数据预处理，加载数据
transform = transforms.Compose([transforms.Resize([224,224]),
                               transforms.ToTensor()])

def loading(path = None):
    img = Image.open(path)
    img = transform(img)
    img = img.unsqueeze(0)
    return img

content_img = loading('images/4.jpg')
content_img = Variable(content_img).cuda()
style_img = loading('images/5.jpg')
style_img = Variable(style_img).cuda()

# 内容度量值可以使用均方误差作为损失函数：
class Content_loss(torch.nn.Module):
    def __init__(self,weight,target):
        super(Content_loss,self).__init__()
        self.weight = weight                    # weight 是一个权重用来控制最后风格和内容的占比
        self.target = target.detach() * weight  # target是通过卷积获取到的输入图像中的内容,target.detach()用于对提取到的内容进行锁定，不需要进行梯度
        self.loss_fn = torch.nn.MSELoss()
    def forward(self, input):
        self.loss = self.loss_fn(input*self.weight, self.target)  #  进行计算损失值
        return