距離上次寫博客已經(jīng)好久好久好久了，真是懈怠的生活節(jié)奏，整天混吃等死玩游戲，前些日子做畢業(yè)設(shè)計(jì)時(shí)總算又學(xué)了點(diǎn)新東西。學(xué)了一點(diǎn)深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的知識(shí)，附帶著詳細(xì)學(xué)習(xí)了一下前段時(shí)間我覺得比較有意思的圖像風(fēng)格轉(zhuǎn)換。畢竟是初學(xué)，順便把神經(jīng)網(wǎng)絡(luò)方面的知識(shí)也寫在前面了，便于理解。若有不對(duì)的地方的話，希望指正。
主要參考的文獻(xiàn)有《A Neural Algorithm of Artistic Style》和《Perceptual Losses for Real-Time Style Transfer and Super-Resolution》這兩篇論文，以及深度學(xué)習(xí)實(shí)踐：使用Tensorflow實(shí)現(xiàn)快速風(fēng)格遷移等文章，代碼參考了OlavHN/fast-neural-style和hzy46/fast-neural-style-tensorflow等大神的。
先說一下卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，了解機(jī)器學(xué)習(xí)中人工神經(jīng)網(wǎng)絡(luò)的話應(yīng)該對(duì)這個(gè)概念不陌生。神經(jīng)網(wǎng)絡(luò)中的感知器模型如下圖所示。
輸入神經(jīng)元與其各自權(quán)重相乘再相加得到z，利用激活函數(shù)g(z)進(jìn)行變換得到神經(jīng)元y。輸入層神經(jīng)元與其權(quán)重相乘再相加的過程可以用矩陣相乘相乘來表示，這點(diǎn)在下面的卷及神經(jīng)網(wǎng)絡(luò)里可以看到。神經(jīng)網(wǎng)絡(luò)里輸入層和輸出層中間的是隱藏層。
延伸閱讀
學(xué)習(xí)是年輕人改變自己的最好方式