智能计算系统实验4-2实时风格迁移

最新推荐文章于 2024-06-10 10:00:06 发布

Wen Zhao

最新推荐文章于 2024-06-10 10:00:06 发布

阅读量1.4k

点赞数 1

文章标签：深度学习 cnn tensorflow

本文链接：https://blog.csdn.net/weixin_56826227/article/details/128175537

版权

本文介绍了如何使用TensorFlow进行实时风格迁移实验，包括实验目的、模型结构（卷积层、残差块、转置卷积和实例归一化）、模型参数恢复、CPU与DLP平台上的实现及性能评估。实验在CPU和DLP平台上展示了实时风格迁移的推断过程，并通过量化技术优化了DLP上的运行速度。

摘要由CSDN通过智能技术生成

一、实验目的

学习掌握使用TensorFlow定义完整网络结构的方法，掌握使用TensorFlow恢复模型参数的方法，以实时风格迁移算法为例，掌握在CPU平台上使用TensorFlow进行网络推断的方法，理解DLP高性能算子库集成到TensorFlow框架的基本原理掌握在 DLP 平台上使用 TensorFlow 对模型进行量化并实现神经网络推断的方法。

二、背景介绍

· 图像转换网络

图像转换网络由三个卷积层、五个残差块、两个转置卷积层再接一个卷积层构成。除了输出层，所有非残差卷积层后面都加了批归一化（batch normalization，BN）[16] 和 ReLU 操作，输出层使用 tanh 函数将输出像素值限定在 [0, 255] 范围内；第一层和最后一层卷积使用 9 × 9 卷积核，其它卷积层都使用 3 × 3 卷积核；每个残差块中包含两层卷积。