版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a19990412/article/details/83990236
算法论述
- 风格迁移，就是将两幅画给融合在一起。
如果说是把两幅画融合在一起呢？
现在假设三幅画:
- 一幅画表示的是风格画，设为A
- 一幅画表示的是内容画，设为B
- 一幅画表示的是输出画，设为C
我们要做的其实很简单。
两件事：
- 让C和A的内容很相近。
- 让C和B的风格很相近。
所以说，只需要给出内容差异度和风格差异度两个度量值之后，我们再降低这两个值就好了。
现在难点来了。如何度量呢？
关于内容的差异度：
- 两幅画的每个像素点的数值距离。 (常见的有绝对值，差的平方)
关于风格的差异度：
（这是一个难点，有个大神提出了使用Gram矩阵来解决这个问题。[^1]）
- 一张图片在经过卷积网络之后，就可以得到一个特征图，Gram就是在这个图上定义出来的。[^1]
Gram定义：
图片的shape一般是：[C, M, N]
C：通道数（也有人喜欢称这个为高）M, N表示是图片的长宽
Gram矩阵计算
- Gram矩阵规模：
[C, C] - 其实就是每一个色层的图像之间的关系。这是合理的，因为，我们认知的风格这里很大程度上是考虑的是颜色变化的风格。 （要是不想要有特征的方式，那就用别的风格距离的定义呗。）
- Gram(i,j) 就是把这两层的矩阵提出来，即有两个
[M, N]的矩阵。然后，让这两个矩阵对应的位置做乘法之后，再做加法。（卷积的过程）
其实就是不同色层的卷积来构成的矩阵。
之后，用上面的内容的矩阵的变化方式来计算就好了。
代码
（本来打算也放代码的。但是发现网上的这些代码只用CPU的话实在是太慢了。。）
https://blog.csdn.net/q295684174/article/details/79065032
这个链接上的代码是可以跑的，就是特别慢。