用Python与CNN做一个风景图像风格迁移系统(二)

最新推荐文章于 2024-09-07 11:33:40 发布

明泽苑

最新推荐文章于 2024-09-07 11:33:40 发布

阅读量473

点赞数

文章标签： pycharm python 深度学习

本文链接：https://blog.csdn.net/weixin_42287300/article/details/120186204

版权

本文介绍如何利用Python和卷积神经网络（CNN）构建一个风景图像风格迁移系统。内容包括设置参数、读取和保存图片、计算激活值、定义内容和风格代价函数，以及使用Adam优化算法进行迭代更新，最终展示运行结果。

摘要由CSDN通过智能技术生成

标题用Python与CNN做一个风景图像风格迁移系统(二)

三、系统将完成以下任务：

（1）导入四种安装好的模块，分别是TensorFlow、numpy、os、import导入三方库。

（2）设置各种参数，需要设置内容图片和风格图片的大小参数、需要给定内容和风格图片的路径参数、需要提供生成图片保存的文件夹路径及图片的存储的形式，设置随机噪声和图像的比率、风格的强度、设置需要用到的卷基层、VGG-19模型的路径、还有需要进行预处理的均值设定。

（3）对图片的读取，需要定义一个读取图片的函数load_images(image_path, width=settings.WIDTH, height=settings.HEIGHT)，可以通过控制image_path变量，也就是控制对应图片的路径来分别读取图片，同时也能将对应的子集是属于权重和偏置读取出来，用于卷积计算。而对于图片的存储，同样地，定义一个函数save_image(image_path, image, filename)，之后会对生成的图片自动调整大小，并存储在指定的文件夹中。

（4）进行计算激活函数。内容、风格、生成图片分别计算对应的激活值，并且将计算的结果用字典的形式存储，用于计算后边的代价函数。

（5）求代价函数，代价函数分为风格代价函数、内容代价函数。需要将两者分别求取，需要用于计算的数据分别在字典中提取。代价函数是衡量生成图片成功与否的关键，代价函数值越小，说明生成的图片在风格上更加明显。表现得效果更好。通过Adam算法反向传输，对生成图片更新迭代。在这里需要注意的是我们不需要进行权重的更新，而是直接对生成图