我无法理解使用TensorFlow在样式传输算法中训练内容和样式过滤器的方式（例如in this paper） . 我已经在链接文章中检查了算法的一些实现，但我不能完全理解他们对这一步骤的处理 . 为此，我认为在不使用预先训练的模型的情况下，有助于实现一个天真的版本 . 我对所涉及的步骤的理解是：
-
在单张图像上训练CNN（在论文中他们使用预先训练的VGG网络）
-
使用经过训练的网络，输入白噪声图像 . 定义一个新的损失函数，通过更新输入图像最小化（这是图像的方式是'painted'），例如'content'是通过最小化训练模型中的conv层与输入（白噪声）图像产生的转换层之间的距离得出的
因此，实现应该是这样的：
import TensorFlow as tf
x_in = tf.placeholder(tf.float32, shape=[None, num_pixels], name='x')
y_ = tf.placeholder(tf.float32, shape=[None, num_pixels], name='y')
...
diff = y_-y_out
loss = tf.reduce_sum(tf.abs(diff)) # minimizing 'pixel difference'
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)
# training model
for i in range(NUM_TRAINING_STEPS):
_, loss_val = sess.run([train_step, loss],
feed_dict={x_in: input_image, y_: input_image})
训练模型后，我可以生成白噪声图像，但是如何使用训练模型更新输入图像？我怀疑是我需要创建第二个网络，其中 x_in 的类型为 tf.Variable 并加载来自训练模型的权重和偏差，但这个细节让我望而却步 .
2 回答
是的，您可以将输入图像存储在tf.Variable中，从训练的模型加载权重，并使用样式传输损失函数wrt运行优化循环到输入变量 .
您可以使用样式转移作为服务网站来训练样式，如http://somatic.io