Perceptual Loss（感知损失）

感知损失通过一个固定的网络（VGG16,VGG19..），分别用prediction 和 groundtruth作为VGG16输入， 得到对应的输出特征，pre-vgg，gt-vgg。

然后让pre-vgg和gt-vgg构造损失（L2-Loss）。使预测结果和真实值之间的深层信息（感知信息）不断接近。

相比于普通的L2-Loss，使用感知损失可以更好的增强输出的细节信息。

构建感知损失准备：

1.预训练好的VGG网络，只需要prediction阶段（前向即可）。

2.送入prediction和ground truth分别通过VGG前向，并得到pre-vgg，gt-vgg。

3.计算pre-vgg和gt-vgg的L2损失。 注：往往pre-loss（感知损失）为正则项，需要配合其他损失函数进行指导，可以通过自定参数调节感知损失的惩罚（调节）力度。

在提取特征时，通常不会只使用一层的特征，而是使用网络中浅层，中层，深层特征，进行组合。 比图vgg16会使用 3 ，5，7层进行组合，并对输出特征进行累加。

代码：