4.9 风格代价函数(Style cost function)
接下来定义图片的风格矩阵(style matrix)为:
为了提取更多的“风格”,可以使用多层隐藏层,然后相加,表达式为:
最终的cost function为:
Last updated
接下来定义图片的风格矩阵(style matrix)为:
为了提取更多的“风格”,可以使用多层隐藏层,然后相加,表达式为:
最终的cost function为:
Last updated
利用CNN网络模型,图片的风格可以定义成第层隐藏层不同通道间激活函数的乘积(相关性)
选取第层隐藏层,各通道使用不同颜色标注。因为每个通道提取图片的特征不同,比如1通道(红色)提取的是图片的垂直纹理特征,2通道(黄色)提取的是图片的橙色背景特征。那么这两个通道的相关性越大,表示原始图片及既包含了垂直纹理也包含了该橙色背景;相关性越小,表示原始图片并没有同时包含这两个特征。即计算不同通道的相关性,反映了原始图片特征间的相互关系,从某种程度上刻画了图片的“风格”
为隐藏层中位置的激活项,,,分别代表该位置的高度、宽度以及对应的通道数,k,分别表示不同通道。风格矩阵计算第层隐藏层不同通道对应的所有激活函数输出和,层风格图像的矩阵是一个的矩阵:
若两个通道之间相似性高,则对应的较大;若两个通道之间相似性低,则对应的较小
风格矩阵表征了风格图片第层隐藏层的“风格”。生成图片也有,与越相近,则表示的风格越接近。即定义为:
然后使用梯度下降算法,不断迭代修正的像素值,使不断减小
表示累加过程中各层的权重系数,为超参数
之后用梯度下降法,或者更复杂的优化算法来找到一个合适的图像,并计算的最小值,这样将能够得到非常好看的结果