CV之NS之LF：圖像風格遷移中常用的幾種損失函數(內容損失、風格損失)簡介、使用方法之詳細攻略

CV之NS之LF：圖像風格遷移中常用的幾種損失函數(內容損失、風格損失)簡介、使用方法之詳細攻略

目錄

圖像風格遷移中常用的幾種損失函數

1、內容損失

2、風格損失

3、定義總損失

圖像風格遷移中常用的幾種損失函數

1、內容損失

# endpoints_dict是上一節提到的損失網絡各層的計算結果；content_layers是定義使用哪些層的差距計算損失，默認配置是conv3_3

def content_loss(endpoints_dict, content_layers):

content_loss = 0

for layer in content_layers:

#上一節中把生成的圖像、原始圖像同時傳入損失網絡中計算。所以這里先把他們區分開

#我們可以參照函數tf.concat與tf.split的文檔理解此處的內容

generated_images, content_images = tf.split(endpoints_dict[layer], 2, 0)

size = tf.size(generated_images)

# 所謂的內容損失，是生成圖片generated_images與原始圖片激活content_images的L*L距離

content_loss += tf.nn.l2_loss(generated_images - content_images) * 2 / tf.to_float(size) # remain the same as in the paper

return content_loss

2、風格損失

# 定義風格損失，style_layers為定義使用哪些層計算風格損失。默認為conv1_2、conv2_2、conv3_3、conv4_3

# style_features_t是利用原始的風格圖片計算的層的激活。如在wave模型中是img/wave.jpg計算的激活

def style_loss(endpoints_dict, style_features_t, style_layers):

style_loss = 0

# summary是為TensorBoard服務的

style_loss_summary = {}

for style_gram, layer in zip(style_features_t, style_layers):

# 計算風格損失，只需要計算生成圖片generated_imgs與目標風格style_features_t的差距。因此不需要取出content_images

generated_images, _ = tf.split(endpoints_dict[layer], 2, 0)

size = tf.size(generated_images)

# 調用gram函數計算Gram矩陣。風格損失定義為生成圖片與目標風格Gram矩陣的L*L的Loss

layer_style_loss = tf.nn.l2_loss(gram(generated_images) - style_gram) * 2 / tf.to_float(size)

style_loss_summary[layer] = layer_style_loss

style_loss += layer_style_loss

return style_loss, style_loss_summary

3、定義總損失

"""Build Losses"""

# 定義內容損失

content_loss = losses.content_loss(endpoints_dict, FLAGS.content_layers)

# 定義風格損失

style_loss, style_loss_summary = losses.style_loss(endpoints_dict, style_features_t, FLAGS.style_layers)

# 定義tv損失，該損失在實際訓練中并沒有被用到，因為在訓練時都采用tv_weight=0

tv_loss = losses.total_variation_loss(generated) # use the unprocessed image

# 總損失是這些損失的加權和，最后利用總損失優化圖像生成網絡即可

loss = FLAGS.style_weight * style_loss + FLAGS.content_weight * content_loss + FLAGS.tv_weight * tv_loss

機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。