反向传播如何改变神经样式传递中的像素（输入数据）？

Question

我对机器学习还很陌生，我想更好地理解神经风格转换，但是我感觉缺少一些东西。据我所知

1. 反向传播会更新权重（em），而不是输入。生成的图像（G）是输入
2. 神经风格转移方法涉及转移学习，这意味着它使用预训练网络（VGG）来计算成本函数。这个网络不是用来学习其他知识的，而是用来暗示G与内容图片（C）之间以及G与样式图片（S）之间的紧密度

我的问题是：图像如何更新？我可能是错的，但是更新网络似乎首先破坏了帮助定义成本函数的见解（成本函数使用某些层的激活来确定G是否与C具有相似的内容并且样式接近S）。但是，假设我们更改了网络。但这意味着更改权重，而不是输入。如何获得与成本函数相关的像素？

我已经看过https://www.youtube.com/watch?v=xY-DMAJpIP4&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF&index=39和Andrew Ng的其他有关该主题的视频，但我还是听不懂。我提到我要遵循神经风格转换的第一种方法（Leon A. Gatys等人）

Answer 1

在deeplearning.ai的cnn课程中，有关神经样式转换的编程教程时，我也有同样的疑问。当我经历neural style transfer tutorial on tensorflow时，事情变得更加清晰。

在本教程中，将生成的图像G声明为tf.variable。因此，将G的像素想象为权重。因此，在梯度下降像素会随着权重的更新而更新。