风格迁移
风格迁移
导语
本节学习来源斯坦福大学cs20课程，有关本节源代码已同步只至github，欢迎大家star与转发，收藏！
cs20是一门对于深度学习研究者学习Tensorflow的课程，今天学习第八节，非常有收获，并且陆续将内容写入jupytebook notebook中，有关这个源代码及仓库地址，大家可以点击阅读原文或者直接复制下面链接！
直通车：
今日日程
TFRecord
Getting to know each other!
Style Transfer
TFRecord
TFRecord是TensorFlow数据格式，以二进制格式存储。因此，有效地使用了磁盘缓存，并且使用速度快。因为它是二进制格式，所以它也可以处理其他类型的数据（图像和标签可以放在一起）。
让我们看看如何将图像和标签保存为TFRecord文件。
转换为TFRecord格式
第一步：创建一个写入TFRecord文件的编写器
import tensorflow as tf
writer = tf.python_io.TFRecordWriter(out_file)
第二步：获得序列化的形状和图像的值
shape, binary_image = get_image_binary(image_file)
第三步：创建一个tf.train.Features对象
features = tf.train.Features(feature={'label': _int64_feature(label),
'shape': _bytes_feature(shape),
'image': _bytes_feature(binary_image)})
第四步：创建包含上面定义的功能的示例
sample = tf.train.Example(features=features)
第五步：将示例写入tfrecord文件
writer.write(sample.SerializeToString())
第六步：关闭writer
writer.close()
如何保存为TFRecord文件已结束。上述存储过程具有以不同格式存储int和byte值的优点。
函数_int64_feature和_bytes_feature将上面使用的不同数据类型转换为一个字节字符串，定义如下。
def _int64_feature(value):
return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
def _bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
读TFRecord数据
使用TFRecordDataset,现在让我们看看如何使用保存的TFRecord文件。它可以使用tf.data调用。
dataset = tf.data.TFRecordDataset(tfrecord_files)
您可以按上述方式调用它。但是让我们考虑何时保存。我不得不将不同的数据格式存储为一个数据。
因此，您必须在调用后划分另一种数据类型。因此，您可以使用_parse_function_，这是一个解析函数。
def _parse_function(tfrecord_serialized):
features={'label': tf.FixedLenFeature([], tf.int64),
'shape': tf.FixedLenFeature([], tf.string),
'image': tf.FixedLenFeature([], tf.string)}
然后，您可以将定义的函数应用于数据映射函数。
dataset = dataset.map(_parse_function)
风格迁移
风格转移是一种模型，其中使用两个图像将一个图像的样式应用于一个图像。
下图是Deadpool图片：
下图是Guernica图片：
如果将这两个图像应用于风格迁移模型，则可以将毕加索的Guernica图片样式应用于Deadpool图片。也就是说，它看起来如下图所示：
在该模型中定义了两个重要的损失。这里，内容图像是上述示例中的Deadpool图像，并且样式图像是毕加索的Guernica图像。
Content loss
内容测量图像内容与生成图像内容之间的内容丢失
Style loss
图像风格与创建图像样式之间的样式丢失。
此模型的优化器可将两个损失最小化。
实现过程将描述如下。
学习输入值而不是权重。
使用相同的变量进行共享。
我们使用了预先训练过的模型（VGG-19）。
