DeepLearning-风格迁移（Neural-Style）

笔者小白最近发现Neural-Style做出来的效果非常神奇。这里把我学习到的一些信息记录下来。

Neural-Style主要做的一件事情很有意思，就是如下图的等式，通过将a图的style和p图的content进行融合，得到第三幅图x。style+content=styled content

怎么做呢？首先他定义了两个loss，分别表示最终生成的图x和style图a的样式上的loss，以及图x和content图p的内容上的loss，α,β是调节两者比例的参数。最终的loss function是两者的加和。通过optimize总的loss求得最终的x。

content loss

假设p和x在CNN中的响应分别为Pl和Fl，将他们内容上的loss表示成每个pixel的二范数：

则用梯度下降法，content loss对F求导为：

Style Loss

那么每一层style loss为 ：

其中style图a的在CNN中的响应为A。
则总的style loss为每一层的加权和：

Total Loss

在定义好了两个loss的形式以后，又回到了最初的问题，就是最小化总的loss：

要注意的是，不同于一般的CNN优化，这里优化的参数不再是网络的w和b，而是初始输入的一张噪声图片x

最终我们想让他变成右图这样styled content。

Experiments

1、对同一张content图片运用不同style的结果如下图所示,fantastic!!

2、total loss中α和β的比例：
从上到下表示的是运用不同conv层的feature进行style，conv1->conv5是一个从整体到局部的过程；
从左到右表示的是不同的α/β的比例，10的5次->10的2次是指更注重style还是更强调content。

文章地址：A Neural Algorithm of Artistic Style
代码地址一：https://github.com/jcjohnson/neural-style
代码地址二：https://github.com/fchollet/keras/blob/master/examples/neural_style_transfer.py

根据上述代码二，笔者小白在实验机上学习了测试程序，测试程序的环境配置请参考
资料3的地址。

实验结果如下：

原图1：

风格图2：

迭代10次之后的效果图3：

参考资料：
1、http://blog.csdn.net/elaine_bao/article/details/50502929 2017.9.25
2、http://blog.csdn.net/victoriaw/article/details/71663332 2017.9.25
3、http://blog.csdn.net/hungryof/article/details/52037405 2017.9.25
4、http://blog.csdn.net/u011129494/article/details/47708015 2017.9.25
5、https://zhuanlan.zhihu.com/p/24102375 2017.9.11
6、http://www.jianshu.com/p/8f8fc2aa80b3 2017.9.11