iOS 图片风格转换(CoreML)[译] 纹理网络:在前馈网络中开展纹理合成与风格化。

1. 前言

  图片风格转换最早入人们的视野,估计即使是Prisma这款来自俄罗斯的网红App。他动神经网络(多重合卷积神经网络)将图片转换成一定风格艺术照片。利用图片风格转换算法,我们可以拿一个图纸放入以及教练好之神经网络模型进行前瞻结果取风格迥异,独具特色的图片。随着iOS11苹果推出了CoreML,我们可生自在将训练好之这些风格转换模型转换成为苹果的CoreML
Model,并利用这模型来展开图片风格转换。

图表风格转换 @Prisma

题目:Texture Networks: Feed-forward Synthesis of Textures and Stylized Images

2. 图纸风格转换算法介绍

  2015年,德国科学家 Gatys等人载一首名叫也《A Neural Algorithm of
Artistic
Style》的舆论,打开了神经网络在图像艺术创作的大门。作者以VGG16模子对平摆放原图(Content
Image)和同等布置风格图(Style
Image)分别展开图像特征提取。通过行使对少数种植特色构造损失函数,对同样摆初始化图片展开损失价值计算并上报重绘图像得到生成图(Generated
Image)。但是这个算法每一样次等杀成一布置图片都要展开相同不成网络训练,需要耗费的时比丰富。斯坦福大学的Johnson[6]对等人提出了快风格转移算法,训练一个网,对于随意一摆设图都得以换成网络对应之风格。快速转移算法包含两只网。一个啊图转换网络(Image
Transform Network),一个为损失网络(Loss
Network)。在教练阶段采取大量图用少单网开展训练得模型,在出口等套用模型将结果进行输出得到生成图。他们得出的大网相对Gatys的模型得到生成图的速快齐三只数据级。我们于iPhone上展开图片风格转换的时段可用Johnson的主意迅速的生成风格图片,当然使用Gatys的章程啊是足以的,但是于生成图片的时刻会吃又多之早晚。

霎时风格迁移算法

  上图就是凡是飞速风格迁移算法的完全布局图,该算法包括图形转换网络与损失计网络。其中图片转换网络是一个差不多交汇卷积神经网络,它将一如既往布置输入的本来图片转换成为同摆设生成图片。损失计网络是一个VGG-16网络,用于计算图片转换网络生成图片对于我们输入的风格图和原图之间的损失大小。通过计算生成图与原图的情节损失以及生成图与风格图的风骨损失大小来判断生成图的质。通过不停精打细算来压缩损失,反向传播到图片转换网络并对准那进展优化,最终获合格的图形风格转换模型。而者模型就得被我们不断用来展开图片及现实有一样品格的转换。

亚洲必赢娱乐场 1

3. CoreML介绍

  CoreML 是 Apple 今年 WWDC
新出面向开发者的机械上框架。如果我们发一个MLModel我们可好的应用Model进行结果的前瞻,所有的MLModel都见面生以下结构。

MLModel结构

  一般一个MLModel文件会包括MLInput,MLModel,MLOutput三部分,我们用数据封装成为Input并提交受MLModel,模型会开展结果预计并出口预测结果Output,我们还用预计的结果转换成我们要之数据类型。

效果图

4. 代码实现

  CoreML对图纸的处理都需将图片转换成为CVPixelBufferRef多少,这里提供平等段UIImageCVPixelBufferRef的代码。

CVPixelBufferRef转换代码

  将图片转换成CVPixelBufferRef尔后放入模型进行拍卖生成Output并取结果,结果吧是一个CVPixelBufferRef的数据。

Output

  所以这里我们还索要拿CVPixelBufferRef转回去UIImage,具体的落实代码如下:

image.png

还多具体的代码见项目。

亚洲必赢娱乐场 2

5. 细节优化

  • 文章亚洲必赢娱乐场地址:arXiv:1603.03417.《Texture Networks: Feed-forward
    Synthesis of Textures and Stylized
    Images》
  • Github链接:https://github.com/DmitryUlyanov/texture\_nets
5.1 合成图生成效果转换

偶我们会认为合成图的功用并无乐意,如下面的演示图1跟2,我们得看来2早已跟1差异颇的那个了,一定程度达我会觉得风格过度了。这个时候我们可以经过调整合成图的功力来换取整体构图之完整性,比如说图3的风格才出50%。我们好观看图3成如会更为切实要还要发新鲜风味。此外尚可以经过调整对比度,颜色饱和度来调整构图,这里就用依据图片消耗又多的流年了。

示例图 @Fzliu

(转载请注明出处:[译] 纹理网络:在前馈网络中展开纹理合成和风格化
(zhwhong) )

5.2 合成图颜色转换

图片风格转换在我看来有一些是突出而也是沉重的,那就是颜色之迁徙。我么可以见见于示例图2负,合成图是应用梵高的星空转换出来的图形,整体图片纹理以及颜色进行了转变。这个上要我们要保留原图的水彩如未知合成图的纹路,就可使用YUV颜色空间拓展转移。

示例图2

YUV是图片的同等种多少格式,YUV中之“Y”表示图片的了解程度;“U”代表色度,也叫饱和度;“V”代表浓度。从YUV的示例图我们得充分懂得的看看他们之求实意思。

YUV示例

于这里我们得以看到里面U以及V可以生好意味着图片的水彩,而Y代表了图片的大部内容。因此我们可以移植原图的U以及V到合成图上,就足以得示例图2着之水彩转换合成图了。


6. 运转环境

  • Mac OS 10.12.6
  • Xcode 9 beta 6
  • Python 3.1
  • Tensorflow 1.0
  • Keras 2
  • Coremltools 0.4.0

Abstract

摘要:Gatys
等丁近来验证,深度网络可以生出良好的纹理,也堪为此纯的纹路样例来风格化一张图纸。然而,他们之道需要通过一个马拉松而太占内存的梯度下降优化过程。我们当这提出一个代的艺术,可以拿计算的顶转移到一个单身的求学阶段。给得一个纹理样例,我们的方法能够训练一个紧密的面前馈卷积网络来十分成多单相同的纹路任意大小的样品,并以一个加以的图像转换成为富有艺术风格的另外一个图像。此结论的大网是不行轻量级的,但可以生出质媲美
gatys
等人之纹路,且提升了数百倍之进度。宽泛的说,我们强调的所以复杂且有表现力的代价函数来训练前馈网络模型就同智,是好有力以及持有灵活性的。

7. Demo

此间我用现有的风骨转换模型集合在一起写了一个品格转换Demo,具体可展现截图:

shoot1.jpeg

shoot2.jpeg

shoot3.jpeg

shoot4.jpeg

shoot5.jpeg

shoot6.jpeg

Demo地址:https://github.com/kingandyoga/StyleTransfer-iOS

一.简介

部分多年来的做事证实深度神经网络在面临图像方面的挑战时凡所有优秀能力的。大部分的浮动网络是用随意种子开始开前馈计算,而Gatys等丁意识了好让人触动的结果,通过对网络开展描述性的钻研,比如图像统计。他们的底想法是削减图像生成的随机取样以配合确定的统计特征。在纹理合成这块,参考数据是一个单纯的可见纹理图,目标是起一个该纹理的样例图。在风格化这块,目标是同时兼容的首先图像的风骨,(用有些小级别的统计数据来捕获),和亚图像的始末(用高档别的统计数据来捕获)。通过这种措施,一个图像的风骨好于无更改内容的前提下受另外一个风格取代。

配合统计特征的干活在实践中表现不错,概念上是概括的,且实验证明,用当图像分类等问题上的成的神经网络(如VGG)可以一直将来举行图像的出。然而Gatys等人怀念的之方式也是发短板的,建立在梯度下降漫长迭代的根底及之方案,必须靠反向传播的经过来逐渐改变像素点的价值,直到出现期望之分布。这样迭代的长河还当GPU上且待几秒钟去出一个分外有点尺码的图形,换成大尺寸图片后尚可能面临内存不够用底题材,需要占用更多之内存。而和的相对立,本文提出的前馈网络生成器则又胜似效率,因为其才需要一个大概的概括的针对性纱求值,不需要承受反向传播时之昂扬代价。

于当下篇论文中,我们要关注前馈网络生成器在纹理合成与图像风格化方面的力。我们的工作关键集中在三个组成部分,第一,我们首不好验证前馈网络生成器的措施会出质与多样性及Gatys等人口提出的不二法门相媲美的功用。第二,我们提出的变动方法能够完成少单数据级的涨价与一个多少级的内存效率提升。用一个纯粹的紧密的前馈网络带来的高性能,促使我们发能力去用风格化转移至视频与手机采用达到。第三,我们规划了一个非常适合风格化任务之多尺寸生成器结构。

通过发出的了卷积网络(即我们誉为纹理网络)可以变任意大小的纹理和处理任意大小的图像。我们的方式也意味着了一个妙趣横生之训练概念,即简单的前馈架构配上复杂且持有表现力的损失函数。我们信任,其他一些诙谐的结果,可以用是极来有。

及时首论文里的别组成部分,讲述了图像以及纹理生成技巧的概述(Sect2),详细描述了咱的计(Sect3)提供了当广的发出挑战性的纹理集图片及之扩展(Sect4)

8. 参考文献

  • [1]. Ethan Chan and Rishabh Bhargava. Show, Divide and Neural:
    Weighted Style Transfer[D]. Stanford University,2016
  • [2]. Leon A. Gatys, Alexander S. Ecker,Matthias Bethge. A Neural
    Algorithm of Artistic Style[D]. Germany,2015
  • [3]. Justin Johnson, Alexandre Alahi, Li Fei-Fei. Perceptual
    Losses for Real-Time Style Transfer and Super-Resolution[D].
    Stanford University,2016
  • [4]. Leon A.Gatys, Matthias Bethge, Aaron Hertzmann, Eli
    Shechtman.Preserving Color in Neural Artistic Style
    Transfer[D].Germany,2016
  • [5]. Apple Core ML documentation
    (https://developer.apple.com/documentation/coreml)
  • [6]. Style Transfer
    Sample(https://github.com/fzliu/style-transfer)
  • [7]. MLModelZoo

二. 背景和连锁工作

1.用神经网络产生图片

相似景象下,生成一个图像x的历程,可以当做从一个一定的分布P(x)开始的样品绘制问题。在纹理合成部分,一个遍布是由于同摆设纹理样例x0确定的,因此我们得用纹理合成的历程写作:

亚洲必赢娱乐场 3

在风格转换上,这个一定的遍布是出于同样摆设表示风格的图像X0和第二摆表示可见内容之图像X1共同决定的,所以可以以作风转换的过程记否:

亚洲必赢娱乐场 4

(Mahendran & Vedaldi,2015;Gatys et
al.,2015a;b)将这个题材简化成一个找到一个具有特征的先行图片,构成一个梯度下降的问题。尤其是,为了打一个样例图片X0综合一个纹理,预图片可以象征为:

亚洲必赢娱乐场 5

根本之是优先图片:

亚洲必赢娱乐场 6

频繁无是绝无仅有的,预采样是满载多样性的,在实践中,样品采用局部优化算法从随机初始化Z出发,生成的图像就是函数的出口:

亚洲必赢娱乐场 7

这么的结果是一个分布:

亚洲必赢娱乐场 8

雅麻烦描述,但怪容易采样,有充分好统计特征,能产生让人快乐的视觉效果和多元化的图像。(Mahendran
& Vedaldi,2015)和(Gatys et
al.,2015a;b)都把它的统计数据建立在深神经网络层的响应上。我们的计复用了Gatys提出的依据特征图谱之间联络的艺术。

2. 描述性纹理建模

其一措施所讲述的法子和众多举世闻名的视觉纹理模型有坏强之沟通。对于纹理,它是大规模的只要—-P(x)是一个稳住的马尔可夫以机场(MRF)。既然这样,纹理是遍历的,人们呢会见设想当地空间不移统计。

亚洲必赢娱乐场 9

里面i表示空间坐标,F通常是一律组线性滤波器的输出。ψ是一个直方图算子。然后,空间平均本地统计的原型纹理x0接近其样本平均数:

亚洲必赢娱乐场 10

Zhu等丁得框架模型用了这个谜底归纳出最为老接力熵分布

亚洲必赢娱乐场 11

λ是参数,来配合他们之更估计。

亚洲必赢娱乐场 12

这框架的短处在于从极度老熵分布取样很不方便,要解决是限制,需经过直接找到匹配所待的统计的图像X来配合。
zhu等人口利用线性滤波器,小波与直方图来树立他们之纹理统计,(Mahendran&Vedaldi,2015;Gatys
et
al.,2015a;a)通过预训练的深度网络取统计信息,不同的凡,他们以为风格化不是纹理合成的问题。

3. 生成器网络

一个抉择是以神经网络作为描述器,构建生成器网络X =
G(z)直接将一个随机或显参数Z向量当作输入来发生图片。如(dosovitskiy
et
al.,2015)的计,学习之投从明确参数Z(例如拍摄对象的色和见地)的图像,这是透过尽量拟合神经网络来压缩

亚洲必赢娱乐场 13

的差别,对于已经掌握之图形参数组(Xi,Zi),虽然就也许有视觉上非常有吸引力的结果,但它们用超前了解(x,

z)之间的关联并无克支撑多样性。另一样栽方法是考虑一个函数g(Z),参数Z是雾里看花之,并起(简单)随机分布着采样。网络的靶子是将这些随意值映射到如同是如果无的图像x

G(Z)。这即待我们衡量样品的成色,这通常表示为X和一致组示例图像X1之间的偏离X1~Xn。关键之挑战是偏离要能包括明显可用的事例,以保护样本的多样性。生成对抗网络(GAN;(Goodfellow
et
al.,2014))解决了这题材,通过训练,结合生成器网络g(z),第二对立网络f(x),试图区分样本g(z)和当图像样本。然后f可以被用来作为一个权衡质量之样品,
g可以叫教练来优化其。LAPGAN(Denton et
al.,2015)把GAN以以到了一个卷积网络的拉普拉斯金字塔,DCGAN(Radford et
al., 2015) 进一步优化了变通对抗网络GAN,从杀好的数量集中学习。

4. 矩配合网络

尽要命熵模型(Zhu et
al.,1998)与无限可怜的平分差(MMD)的观念密切相关(MMD)在(Gretton et
al.,2006)中颇具介绍。关键是着眼某个确定分布之预期值

亚洲必赢娱乐场 14

检索有独一无二之确定分布p,从她派生的损失函数通过比网络样本的统计平均值

亚洲必赢娱乐场 15

的法门来替代GAN。他们据此它们去训练矩匹配纱(MMN)并且利用它产生多少的图样(例如手写数字集),我们的网络接近被矩匹配网络,不过用了杀突出之统计并且考虑了和Li等丁统统两样之采取。

三.纹理网络

咱们现在详细描述本文所提出的法。在比较高层次来拘禁(见图2),我们的计是教练一个前馈的生成器网络G(generator
network),采用噪声样本Z作为输入并生成纹理样本g(z)作为出口。对于作风的转换,我们扩大这个纹理网络,同时用噪声采样Z和情节图像Y,然后输出一个新的图像g(y,
z)此时纹理已受以到Y作为一个可见的品格。每一个纹理要风格都使训练一个独立的底生成器网络,一旦训练好,它好经一个中的前馈的方,合成任意数量之擅自大小的图像。在训练的生成网络g时之一个主要挑战就是是构建一个损失函数,可以自行评估所生的图像的品质。例如,GAN的核心思想是透过生成器网络来上之损失。我们于Sect
3.1出示了一个万分强的损失函数可以自预先训练好之固化网络被引入统计描述来赢得,正如(gatys
et
al.,2015a;B)中所著。考虑到损失,我们对接下讨论生成器网络的架,用于纹理合成(Sect
3.2)并拿那推广至图像风格化(Sect 3.3)。

亚洲必赢娱乐场 16

贪图2所提出的架构的概述(纹理网络)。我们训练一个生成器网络(左),使用的代价函数是根据一个原则性的优先训练的讲述符网络(右)的超强大的代价函数。在少数单网被,只有左手的生成器网络以让更新,并且以以后被用于纹理要图像合成。卷积块包含多个卷积层和非线性激活和采样及通道的连天。生成器网络的例外分支操作以不同的圈,是由于尺寸不同之噪声张量激活而来。

3.1 纹理和内容代价函数

我们的代价函数来自于Gatys等人之舆论,比较图像数据是经一个预训练好之CNN(一般是VGG系列的平缓缓)来衡量的,这个预训练好之CNN本来是供图像分类的。这个描述器CNN在此所以来衡量纹理原型x0和生成图片x之间的不般配程度。用

亚洲必赢娱乐场 17

代表第i独特征通道,通过描述器中第l叠的卷积层在图片x上的呈现得出。矩阵

亚洲必赢娱乐场 18

吃定义也特点图片的内积

亚洲必赢娱乐场 19

考虑到是网络是一个卷积网络,要计算而指向任何职务的特征i, j 做计算。因此

亚洲必赢娱乐场 20

具同样之形似结构,作为本土固定特点的无序的统计,是好看做纹理描述符存在的。在试被,Gatys等人口所以富含VGG中部分重叠的矩阵集合来衡量纹理特征,这样以图x和纹理x0之间的的代价就是因此下式计算:

亚洲必赢娱乐场 21

除开纹理上之别(texture loss),Gatys还用了一个content
loss(由Mahendran& Vedaldi,2015蒙提出),这个content
loss比较了图片于某某确定的卷积层上的出口(不计进一步的统计数据如矩阵)

亚洲必赢娱乐场 22

Nl是特色通道在VGG第l层的通道数,与纹理差距相比最重大之不同之处在于:内容差距保留了原图的半空中位置信息,因此这种Loss函数更切合代表内容信息若非是纹理信息。类似于Gatys等丁,我们将利用纹理损失(style
loss)配合训练纹理合成用的生成器网络,我们运用一个纹理损失(style
loss)和内容损失(content
loss)的加权组合,配合训练用来举行图像风格化的生成器网络。在后者的景下,内容层不应保留与纹理层一样浅层的事物,只有高层的始末应当为封存。

3.2 生成器网络的纹理合成

俺们现讨论用于纹理合成的生成器的布局和训练过程,把生成器网络的参数记为θ,这个网络让教练成用来讲一个噪音向量z转换成为一个是因为纹理确定的分布Z。

亚洲必赢娱乐场 23

网络布局:我们尝试了某些栽结构用来做生成器网络g。最简易的凡平等弄错卷积,非线性激活和达成采样层,从一个噪音向量z起点,终止于做出同摆设图片。虽然这种类型的模子能发合理之结果,我们发现,多规格架构的结果具有双重粗之纹理损失及再次好的感知质量,同时用于少之参数以至于训练进度更快。图2带有了俺们的差不多规格架构的一个胜过层次的意味,将于随后详细介绍。纹理X0凡一个tensor,shape=(M,M,3)包含了三个颜色通道,为了计算简单,假要分辨率M是2之挂,输入的噪声z是出于K个随机tensor
zi组成,

亚洲必赢娱乐场 24

,我们往往用M=256
K=5,这个K个tensor都是独自与分布之,均匀分布之取样。每个随机噪声张量是由于同排列卷积和非线性激活层首先处理,然后简单鲜上采样,再作附加通道连接于共同,最后都分辨率的张量最终用一个1×1之滤镜映射到RGB图像x上。在图2被,每一个卷积块都包含了三只卷积层,每个层都跟着一个Relu激活层,这些卷积层分别吗3×3,
3×3
和1×1的感受野。步长stride为1,用循环卷积来化解边缘问题,这个充分合乎用来纹理。特征图谱的多寡,等于filter的多寡,从极度小8通路及最要命40通路,参数个数为65K横,可以减至占300kb内存。上采样层之所以了简约的不过接近插值(我们尝试了咸卷积,效果不好),我们发现批量刚好则化层能杀死之助力训练。就在每个卷积层的后边,重要之是,还要在连接层前面,因为沿着不同网络来的梯度需要经批量正则化来平衡一下。学习:学优化的历程用了任性梯度下降(SGD)算法,在每一样浅迭代时,SGD绘制一个微批量底噪声向量zk,对转移的网进行前奔评估,得到相应的图像

亚洲必赢娱乐场 25

,利用描述器网络对其开展评估,获取纹理矩阵

亚洲必赢娱乐场 26

,最终计算Loss。(要明白

亚洲必赢娱乐场 27

)是稳的)在此之后开始倒转为传播,生成器的参数在倒朝传来时举行计算,根据纹理损失上的梯度用来更新参数。LAPGAN也为此了大多规格的道,不过是子进行训练之,然而我们的生成器是端到端的以教练。

3.3图像风格化

为拿此法以及图像风格化上,我们开了有的移,第一,这个生成器网络

亚洲必赢娱乐场 28

会于改动成:输入一个噪音变量z和一个图片y的增大,网络给教练成输出一个图像x,x在内容达到靠近y,在风格及接近x0。举个例子,y可以是某的照,x0可以是千篇一律摆放印象使名画。网布局:布局跟用来做纹理合成的凡相同的,唯一的基本点出入就在,噪声向量zi,i=1K,要把输入图片y做为额外的通道联结上去(对y进行下采样获取不同尺寸),我们后来发现,把K从5改成6会带来更好的结果。\*\*学习:\*\*学习的过程是采样噪声向量ziZ自然图像yi~Y,然后调整生成器的参数θ,使得content
Loss和 style loss的及极其小:

亚洲必赢娱乐场 29

这里Z是和纹理合成时一样分布之一个噪声。Y是理所当然图像的经验分布,α是一个比重参数,为texture/style和content的比重。在训练中,我们发现上令人好奇之非常容易过拟合,而且它可以近似于自然图像y的布,在一个可怜小之图像池中。事实上,我们的结果吃于有质量之还用了过多之样例图片,我们将如此的真相归纳为:卷积结构下当地操作,因为具有同等之组成部分组织,只是图像Y、内容风格比例在变化,所以于本地操作来说,想要配合有的纹理会非常的紧巴巴。尽管有这么的限量,所生的风格化的图像通常发生深好之感知质量,虽然有些风格我们的确不容许通过优化原有的方法来博取好结果。

亚洲必赢娱乐场 30

Figure 3  与Gatys的法力比

四. 实验记录还多的技术细节

生成器网络的权重用Xavier的方初始化,训练用Torch7实现Adam,迭代2000差,初始的修速率为0.1,迭代1000次以后开始因为每200软0.7之比例衰减。batch-size设置为16。和Gatys的舆论中说之同一,纹理损失texture
loss用{‘relu1_1′,’relu2_1′,’relu3_1′,’relu4_1′,’relu5_1’},VGG19模子,内容损失用{‘relu4_2’}。完全训练好一个模子需要简单只钟头,用NVIDIA
Tesla
K40,如果单纯需要获得可领之结果,则用之时光重新缺少,只需要充分少之迭代。

纹理合成:咱管我们的艺术及Gatys做了一部分于,我们尚跟DCGAN比了,还和还和Portilla比了。图4表现了立即四种艺术比较后的结果,从质地达标来说,我们的生成器CNN和Gatys的结果是差不多的,比另外两栽艺术来的色要好。然而生成器CNN更加的高效率(看Sect4.1),图1包了再多之于(生成器网络与Gatys及其余方法的对待)

亚洲必赢娱乐场 31

Figure 4  四种方式以纹理合成上的比

作风转换:训练集,自然图像是由ImageNet
ILSVRC2012之多少汇总随机抽取的。至于Gatys等丁得俗方式,我们发现风格化的结果是针对性α比例非常灵活的(style/content的百分比)。在测试的时这参数在我们的章程被莫克调,但是咱发现这个比重还可以透过调整输入噪声z的大小来调整(看图5)

亚洲必赢娱乐场 32

Figure 5  输入噪声z占比较之调整

咱俩管我们的方法以及Gatys比较了,用了有品格和内容图片,发现结果是深富有可比性的。有代表性的于,包括固定参数,是连于觊觎3遭受的,更多的增补材料,其他质量报告的结果记录在了图7中。

4.1 速度及内存消耗

咱俩管我们的方法及迭代优化的法子较快,通过权到达指定loss时每艺术需要有些时间。图6展示了迭代优化的主意需要横10秒钟去出一个样品x,而我辈的章程就需要20ms,达成了500加倍提速,这能十分好的支持部分就算经常用比如视频拍卖。产生这样强烈的差别有有限单因:1.生成器大网比VGG19有点太多,所以每次迭代的时刻如果尽早的多,我们的不二法门要一个独立的网来评估,通过避免倒朝传来,我们的方法呢缩减了好多内存需求,我们的办法变256×256底图样消耗256MB,
Gatys消耗1100MB。

亚洲必赢娱乐场 33

五. 讨论

咱俩提出了一个初的深度上道的纹路合成和图像化的构思,显而易见的,这个方法可以据此来产生局部扑朔迷离纹理及图片,用前馈网络的方式。能和用反向传播的Gatys的方法有同样搞得色。这个思路的成在于突出了前馈网络以错综复杂数据变动、复杂问题迎刃而解上的合适性。这无异中标之重大是使用复杂的损失函数,设计不同的前馈架构,作为“专家”评估的前馈生成器的特性。因为我们的道得到了生格外好效果的纹路合成,今后我们计划研究还好之损失函数来吃纹路质量重好,实现了还让人记忆深刻的结果。

亚洲必赢娱乐场 34

Reference

亚洲必赢娱乐场 35

亚洲必赢娱乐场 36

亚洲必赢娱乐场 37

上资料

亚洲必赢娱乐场 38

生成器结构

亚洲必赢娱乐场 39

亚洲必赢娱乐场 40

亚洲必赢娱乐场 41

亚洲必赢娱乐场 42

亚洲必赢娱乐场 43

左侧第一排是style,上方第一履是content

亚洲必赢娱乐场 44

256×256十分小训练的,但可以为此来扭转任意尺寸的图纸

亚洲必赢娱乐场 45


(注:感谢您的读书,希望本文对而有所帮助。如果觉得不错欢迎分享转载,但请预点击
这里
获取授权。本文由
版权印
提供维护,禁止任何款式之未授权违规转载,谢谢!)

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图