這幾天看完了張巨集倫的《深度有趣》,確實很有趣。
不過近期鑑於需要,僅做關於視覺的總結。
1.影象風格遷移
本質:以前是根據輸入和損失函式,來確定權重。不過這個思路有點不一樣,根據權重和損失,來確定輸入。
這個原理多想一下就可以理解的。(關於輸入和自變數的置換。本來就是人為認定的。)
連線:模型:vgg19在imagenet上訓練過的引數。
損失函式:內容損失和風格損失的加權。
內容損失:待輸入影象和內容影象的conv4-2的輸出直接做差。然後歸一化。
然後gram矩陣做差平方,最後歸一化。
關於tensorflow使用的感悟:assign僅僅只是做了賦值的工作,只有optimizer才會執行更新variable的操作。
【這個模型訓練很快,很快就可以出結果了】。
android中的深度學習 快速風格遷移
1.效果 2.專案相關 3.缺點1.什麼是深度學習 2.訓練和測試 3.總結 深度學習到底是怎麼學習的呢?我們可以看見我們的訓練資料是經過人的處理的,那麼深度學習的過程就是將人的處理過程固化到我們的神經網路中,最終讓神經網路來代替人工處理的過程。4.上面只是介紹深度學習的基本流程,如果要更深入的了解...
風格遷移網路
快速風格遷移的網路結構包含兩個部分。乙個是生成網路 transformation network 乙個是損失網路 loss network 生成網路是將輸入影象進行風格遷移後輸出,損失網路用以計算生成影象的內容損失和風格損失。對於生成網路,本質上是乙個卷積神經網路,但不採用池化層,取而代之的是用步幅...
快速風格遷移網路
快速風格遷移的網路結構包含兩個部分。乙個是 生成網路 image transform net 乙個是 損失網路 loss network 生成網路輸入層接收乙個輸入,最終輸出層輸出也是一張 即風格轉換後的結果 模型總體分為兩個階段,訓練階段和執行階段。模型如圖所示。其中左側是生成網路,右側為損失網路...