标签：layers 稳赚 波胆 VGG19 公式 conv3 input tf output
风格迁移算法
最近推导了1765243235一些机器学习入门的算法，老是搞那些数学知识，搞的自己都没信心和新区了。今天学着玩点有趣好玩的。
图像的艺术风格迁移算法，算是一个简单有趣，而且一般人都能看得到效果的算法。图像艺术风格迁移，简单的理解，就是找一个照片作为内容，然后把这个照片换成梵高或者毕加索等制定的风格。关于图像艺术风格迁移的一些历史和知识，大家可以看看这篇文章：图像风格迁移(Neural Style)简史。
思路
风格迁移的大概思路是：我们需要准备两张图片。一张是我们将要输出的内容图片，另外一张是我们需要模仿的风格图片。我们需要输出一张图片，让输出的这张图片的内容和内容图片相近，让输出图片的风格和风格图片的风格相近。
内容最接近的算法
内容最接近，相对来说比较简单。简单的理解可以对比每个图片的像素，然后计算他们的差距。也可以是计算CNN中间某个卷积层得到的特征值之间的距离。
我经过调试发现，如果内容图层取得太靠前，效果不太好。因为内容特征越靠前，相当于对比的越细腻，而风格迁移要得到的效果是宏观上更像内容图片，细节上用风格表现，这样效果最好。
风格最接近的算法
风格的比较是最难理解的。要理解风格比较的算法，需要了解一个名词叫做格拉姆矩阵。听常博士说这个知识属于矩阵分析里面的内容。我对这方面没系统学习过，不太懂。但是我能理解到的层次是：你给定N个卷积核，然后可以得到N个矩阵。把这N个矩阵拉直了形成N个向量，N个向量两两內积形成的矩阵，就是格莱姆矩阵。而生成图片和风格图片的格莱姆矩阵的距离差，就是风格差。
实现办法
那么最终实现的办法，就是我们生成一张图片，然后得到一个损失函数loss=contentloss+stylelossloss=contentloss+styleloss，然后我们用梯度下降让损失函数最小就可以了。
具体的实现
在看我的代码之前，我参考了tensorflow的官网的算法,这个算法的实现用的是tf最新的API，好处是简单，坏处是封装的太死了，太简单了，很多底层的东西看不到。我想用比较笨的办法。可以顺便学习下VGG19。但是总体思路差不多。
VGG19的实现
首先我下载一个vgg19的模型，并且简单实现了vgg实际加载模型和计算卷积的过程，我把其中全连接层给删除了。因为卷积是共享参数的，所以输入的图表不一定要和VGG19图像一样，但是全连接层会一样。
import tensorflow as tf
import scipy.io
import numpy as np
import cv2
DEFAULT_PATH ='E:\\project\\ChangeStyle\\model\\imagenet-vgg-verydeep-19.mat'
VGG19_LAYERS=('conv1_1','relu1_1','conv1_2','relu1_2','pool1',
'conv2_1','relu2_1','conv2_2','relu2_2','pool2',
'conv3_1','relu3_1','conv3_2','relu3_2','conv3_3','relu3_3','conv3_4','relu3_4','pool3',
'conv4_1','relu4_1','conv4_2','relu4_2','conv4_3','relu4_3','conv4_4','relu4_4','pool4',
'conv5_1','relu5_1','conv5_2','relu5_2','conv5_3','relu5_3','conv5_4','relu5_4','pool5')
#,'fc6','relu6','fc7','relu7','fc8','softmax'
VGG19_index_Map = {'conv1_1':0,'conv1_2':2,'conv2_1':5,'conv2_2':7,'conv3_1':10,'conv3_2':12,'conv3_3':14,
'conv3_4':16,'conv4_1':19,'conv4_2':21,'conv4_3':23,
'conv4_4':25,'conv5_1':28,'conv5_2':30,'conv5_3':32,'conv5_4':34,'fc6':37,'fc7':39,'fc8':41}
class VGG19:
def __init__(self, model_path = None):
layers = []
if model_path == None:
layers = scipy.io.loadmat(DEFAULT_PATH)
else:
layers = scipy.io.loadmat(model_path)
assert layers != None
self.vgg_layers = layers['layers'][0]
def _compute_(self, layer_name, input):
output = []
w = []
b = []
if VGG19_index_Map.__contains__(layer_name):
i = VGG19_index_Map[layer_name]
w = self.vgg_layers[i][0][0][0][0][0]
b = self.vgg_layers[i][0][0][0][0][1]
type = layer_name[:3]
if type == 'con':
output = tf.nn.conv2d(input,w,strides=[1,1,1,1],padding='SAME')
output = tf.add(output, b)
elif type == 'rel':
output = tf.nn.relu(input)
elif type == 'poo':
output = tf.nn.max_pool(input,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
elif type == 'fc6':
b = np.reshape(b,-1)
input = tf.reshape(input,[input.shape[0],-1])
w = tf.reshape(w,(-1,w.shape[-1]))
output = tf.nn.bias_add(tf.matmul(input,w),b)
elif type == 'fc7':
w = np.reshape(w,(-1,w.shape[-1]))
output = tf.add(tf.matmul(input,w),b)
elif type == 'fc8':
w = np.reshape(w,(-1,w.shape[-1]))
output = tf.add(tf.matmul(input,w),b)
else:
output = tf.nn.softmax(input)
return output
def build_model(self, image):
net={}
net['input'] = image
input = image
for layer in VGG19_LAYERS:
input = self._compute_(layer,input)
net[layer] = input
return net
上述代码基本上比较简单，我个人感觉不需要怎么解释。
我们有了vgg19的代码架构以后，我们需要的是可以实现图像的可以通过vgg19以后得到的卷积后的数值，同时可以计算他的数值
标签：layers,稳赚,波胆,VGG19,公式,conv3,input,tf,output 来源： https://www.cnblogs.com/hfdh435/p/11695921.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。