Question

我无法理解使用TensorFlow在样式传输算法中训练内容和样式过滤器的方式（例如 in this paper ）。我已经在链接文章中检查了算法的一些实现，但我不能完全理解他们对这一步骤的处理。为此，我认为在不使用预先训练的模型的情况下，有助于实现一个天真的版本。我对所涉及步骤的理解是：

在单张图像上训练CNN（在他们使用预训练的VGG网络的论文中）
使用经过训练的网络，输入白噪声图像。定义一个新的损失函数，通过更新输入图像来最小化（这是图像被“绘制”的方式），例如'content'是通过最小化训练模型中的conv层与输入（白噪声）图像产生的那些之间的距离得出的

因此，实现应该是这样的：

import TensorFlow as tf

x_in = tf.placeholder(tf.float32, shape=[None, num_pixels], name='x')
y_ = tf.placeholder(tf.float32, shape=[None, num_pixels], name='y')

...

diff = y_-y_out
loss = tf.reduce_sum(tf.abs(diff))  # minimizing 'pixel difference'
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)
# training model
for i in range(NUM_TRAINING_STEPS):
    _, loss_val = sess.run([train_step, loss], 
                           feed_dict={x_in: input_image, y_: input_image})

训练模型后，我可以生成白噪声图像，但是如何使用训练模型更新输入图像？我怀疑是我需要创建第二个网络，其中x_in的类型为tf.Variable，并加载训练模型中的权重和偏差，但这个细节让我望而却步。

Answer 1

是的，您可以将输入图像存储在tf.Variable中，从训练模型中加载权重，然后使用样式传输损失函数wrt运行优化循环到输入变量。

Answer 2

您可以使用样式转移作为服务网站来训练http://somatic.io

等样式

TensorFlow中的样式转移

2 个答案: