：【迁移】用神经风格迁移生产美图，你也是梵高( 三 )
笔者做出的最后一个修改是将content_layer转换为conv3_2 ， 而非Gatys等人使用的conv4_2 。 笔者读过的大多数文章也推荐使用conv4_2 ， 但是笔者发现使用conv4_2会忽略掉一些细节 ， 且生成图片的风格会覆盖内容 。
另一方面 ， conv3_2可以保留这些细节 ， 而无需对像素完美性进行过度惩罚 。
进一步质量提升
现在已经讨论了笔者的神经风格迁移代码中所实施的全部技巧 。 在原有的PyTorch教程基础上 ， 已经极大提高了迁移质量 。 此外 ， content_weight和 style_weight对于特定的图像选择具有更高的鲁棒性 。
例如 ， 笔者发现如果没有对PyTorch教程进行适当的调整 ， 一组图像的 style_weight很难轻松迁移到另一组图像上 。
也就是说 ， 去除生成图片中的高频噪音可能会得到更好的结果 。 文章《可微的图像参数化》（DifferentiableImage Parameterization ， 接触相关话题必须阅读的另一篇文章）提出了很有趣的方法 。
本文插图
该文中 ， 作者先在（去噪）傅里叶空间而非（噪声）像素空间中对input_img 参数化 。 因为input_img 由梯度下降法生成 ， 对输入去相关化相当于一个预调节器 ， 可通过梯度下降法更快找到最小值 ， 从而使优化更易（与在监督学习任务中去除相关特征类似） 。 除了类似的简短解释如在去相关空间中发现的最小值更宽泛、更健壮外 ， 我并不清楚为什么这能提高迁移质量 。
更简单的方法是通过直接或间接惩罚来抑制高频噪声 。 直接惩罚可通过将input_img的全变差损失添加到优化对象中来实现 。 相反 ， 通过在每次梯度下降步骤后对input_img进行模糊 ， 或者在将噪音应用于input_img之前对梯度进行模糊 ， 可实现间接惩罚 。
这两种方法存在的问题是 ， 它们还会对真正的高频特性造成不利影响 。 可通过在训练时缩减总变化损失或模糊量来进行一定程度上的改善 。
本文插图
笔者的初始目标是使用机器学习生成媒介形象图片 。 但在反复实验中 ， 无意发现了一些很惊人的事 。 对笔者来说 ， 整个过程中最有趣的部分是神经网络的端到端可微性 。 我们很容易地就能“颠倒”一个原本用于区分猫狗的模型 ， 并用其生成无数种不同风格的图像 ， 你还可以尝试用随机森林模型进行操作 。
【：【迁移】用神经风格迁移生产美图，你也是梵高】用神经风格迁移生成好看的图片了 ， 这个过程听起来简单 ， 但想要得到高质量的结果 ， 确实是个技术活 ， 可见即使有机器学习辅助 ， 成为梵高依然不是件容易的事 。
推荐阅读
![[突击晓分队]16年来头一回见，美军嗅到危险味道？大批轰炸机紧急撤回本土](https://imgcdn.toutiaoyule.com/20200426/20200426013242345786a_t.jpeg)
- 央视网新闻美媒：等于撤销应对疫情的神经中枢，特朗普证实将解散“白宫疫情应对小组”
- 凤权天下同级别性能领先，比哈弗H6更厚，进口风格，忽略了国产好车
- [周笔畅]霍启刚带儿女买花送郭晶晶，大儿子继承节俭风格，二女儿古灵精怪
- 鲜闻快讯婚后幸福肥豪门范比向太足，郭碧婷真成功了！“小向太”风格反转
- 上观新闻称重测试、车车通信......这位地铁的“神经科医生”在忙啥？
- 游戏音符虔诚：没想到他们这么刚猛，QG风格大变却仍不敌RNG.M
- 「马伊琍」马伊琍离婚后风格大变，短发变长发挑战无刘海，网友直呼：美到认不出
- 风格化的看剧能造成多大的影响？富士康：简直不敢想象！，假如苹果离开中国
- 工业闲谈终结者将至？美军将率先在无人机领域应用神经形态计算技术
- 戏说数码这才是苹果设计风格，iPhone12Pro概念图：四曲面无边框无刘海屏