不当花瓶当学霸，暮光女 Kristen Stewart 带你揭开 Prisma 背后原理

正文

请到「今天看啥」查看全文

, content_image ): content_layer_names = [ 'conv3_1/conv3_1' ] # we use the toppest layer for content loss layers = model . get_layer_tensors ( content_layer_names ) content_dict = model . create_feed_dict ( image = content_image ) content_values = session . run ( layers , feed_dict = content_dict ) content_values = tf . constant ( value ) stylized_values = layers #laybers will be evaluated during runtime with model . graph . as_default (): layer_losses = [] for v1 , v2 in zip ( content_values , stylized_values ): loss = mean_squared_error ( v1 , v2 ) layer_losses . append ( loss ) total_loss = tf . reduce_mean ( layer_losses ) return total_loss

计算风格偏差

比较两个图片的风格偏差会稍微复杂一点。如何用数学的式子体现两个内容完全不同的图片，风格一样呢？光光比较他们的特征是不够的，因为一个图里有桥，另一个图里可能没有。因此我们要比较两个图的特征互相之间的关系。这简直是一个天才的想法！我们用 Gram Matrix 来描述多个特征相互之间的关系，然后来比较两个图的 Gram Matrix 的距离来衡量风格的相似程度。如果 Gram Matrix 相近，即特征相互之间的关系相近，那也就说明风格相近。 与内容偏差不同，风格偏差与宏观微观的都有关系，所以我们又算出每一层的风格偏差，再求一个加权平均就好了。

Tensorflow 代码实现

def gram_matrix(tensor):
	#gram matrix is just a matrix multiply it's transpose
    
    shape = tensor.get_shape()    
    num_channels = int(shape[3])
    matrix = tf.reshape(tensor, shape=[-1, num_channels])

    gram = tf.matmul(tf.transpose(matrix), matrix)
    return gram 
    def create_content_loss(model, content_image):

请到「今天看啥」查看全文