人工智能应用素养 课件 第15章　数字艺术设计领域中AI的应用-绘画风格迁移实战

绘画风格迁移产业背景人工智能应用素养01目录CONTENTS绘画风格迁移产业背景绘画风格迁移产业背景1Part绘画风格迁移产业背景绘画，是人类通过点、线、色彩等要素，结合自身对世界的认识，将自己的审美感受及对现实的状况通过工具在平面上创作图像的一种活动。纵观整个人类艺术史，画家们因文化背景或个人经历的不同，而创作出了风格迥异的绘画作品。绘画风格迁移产业背景描述一幅画作的风格，通常使用一些经验知识。例如，绘画工具、画面的色彩、线条、纹理、描绘物体的手法、光影的使用等。对这些抽象特点进行组合，对一个人的画作进行风格的描述。绘画风格迁移是通过对图像的风格进行模仿，实现用不同的艺术风格对图像内容的渲染。绘画风格迁移产业背景图像风格迁移技术具有高效率，低成本的特点，被广泛应用于日常生活的各个领域。例如：艺术字创作。影视动画行业。应用软件设计。艺术作品创作。绘画风格迁移产业背景在深度学习兴起之前，针对不同艺术风格的图像风格迁移任务的研究是独立展开的，需要根据不同风格的艺术理念建立不同的数学或统计模型，进而设计特定的风格迁移算法。基于深度学习的方法摒弃了传统各种算法的堆砌，只通过网络的自动学习，便能够学习模仿到原画家的精髓。AI创作绘画目前还主要处于借助计算机工具来表现人的创新、想法和情感的阶段。AI还不具有“灵感”，不能产生作品的创意、想法和情感。《爱德蒙·贝拉米肖像》感谢您的观看！以上是

本节全部内容绘画风格迁移的技术方案人工智能应用素养01目录CONTENTS整体流程02技术路径整体流程1Part1.特征提取绘画风格迁移系统的流程2.训练3.输出结果整体流程整体流程在特征提取阶段，使用神经网络分别提取图像的内容特征和风格特征。对特征重建可以理解卷积神经网络每一层都提取到了什么样的信息，帮助我们理解基于神经网络的图像艺术风格化原理。在训练阶段，建立起生成图像和内容图像之间的内容损失函数，生成图像和风格图像之间的损失函数。将两者结合得到总体损失函数。通过优化总体损失函数，更新生成图片。将生成的图片再送入神经网络进行多次迭代训练。当迭代达到既定的阈值，停止训练，输出最终的风格化图像。整体流程特征提取从初始的图像开始，并建立旨在提供简洁、可计算的信息，从而促进后续的学习和训练步骤。本项目所提取的特征包括内容信息和风格信息两部分。整体流程训练是向神经网络中输入足够多的样本，通过一定算法调整网络的损失函数，使输出与预期值相符。在本项目训练包括如下三个步骤：（1）接收内容图片、风格图片以及生成图片的特征。（2）分别计算内容误差和风格误差，得到总误差。（3）对总误差进行优化，生成输出图像。整体流程当迭代达到次数或者损失函数达到既定的阈值，停止训练，进入在输出结果阶段，保存输出结果图像。技术路径2Part技术路径

技术路径

感谢您的观看！以上是

本节全部内容项目相关的基础知识人工智能应用素养01目录CONTENTSVGG19网络02梯度下降VGG19网络1PartVGG19网络VGG是牛津大学计算机视觉组（VisualGeometryGroup）和GoogleDeepMind公司联合研发的深度卷积神经网络。VGG网络相比之前的神经网络，错误率大幅下降，并取得了ILSVRC（ImageNetLargeScaleVisualRecognitionChallenge）2014比赛分类项目的第2名和定位项目的第1名。VGG19网络VGG是牛津大学计算机视觉组（VisualGeometryGroup）和GoogleDeepMind公司联合研发的深度卷积神经网络。VGG网络相比之前的神经网络，错误率大幅下降，并取得了ILSVRC（ImageNetLargeScaleVisualRecognitionChallenge）2014比赛图像分类项目的第2名和目标定位项目的第1名。VGG19网络特征图上的数字表示特征图的大小和通道数，如224×224×64表示每个特征图大小为224×224，特征图数量为64；convolution表示卷积层，conv1——conv5分别代表第一到第五层卷积，3×3conv表示卷积层使用3x3大小的卷积核；

ReLu表示使用ReLu激活函数；

MaxPooling表示采用最大值池化；

FullyConnected表示全连接层；

Softmax表示使用Softmax函数（归一化指数函数）作为激活函数。VGG19网络VGG网络的优点网络的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）；几个小滤波器（3x3）卷积层的组合比一个大滤波器（5x5或7x7）卷积层好：验证了通过不断加深网络结构可以提升性能。VGG网络的缺点VGG耗费更多计算资源，并且使用了更多的参数，导致更多的内存占用；VGG19有3个全连接层，其中绝大多数的参数都是来自于第一个全连接层。梯度下降2Part梯度下降梯度的概念在单变量的函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率；在多变量函数中，梯度是一个有方向的向量，向量中的每一个值是函数对该变量的偏微分。给定函数中的某一点，梯度方向指出了函数在该点的上升最快的方向；梯度的反方向就是函数在给定点下降最快的方向。梯度下降梯度下降的原理寻找损失函数的最低点，就像我们在山谷里行走，希望找到山谷里最低的地方。只要沿着下降最快的方向（梯度的反方向）一直走，就能走到损失函数的最低点。损失函数里一般有两种参数，一种是控制输入信号量的权重(Weight，记作w），另一种是调整函数与真实值距离的偏差（Bias，记作b）。通过梯度下降方法，不断地调整权重w和偏差b，使得损失函数的值变得越来越小。梯度下降学习率知道了参数需要前进的方向，接下来需要知道应该前进多少。通过学习率(LearningRate)，可以计算前进的距离（步长）；如果学习率α设置得过大，有可能会错过损失函数的最小值；如果设置得过小，可能要迭代非常多次才能找到最小值，会耗费较多的时间。在实际应用中，我们需要为学习率设置一个合适的值。梯度下降梯度下降的步骤计算梯度更新参数使用上面第2.3行所得到的结果，计算所有样本的权重和偏差的梯度的平均值；更新每个样本的权重值和偏差值；重复上面的过程，直至损失函数收敛不变。感谢您的观看！以上是

本节全部内容特征提取人工智能应用素养01目录CONTENTS数据准备02网络构建数据准备1Part1.项目配置数据准备工作主要完成项目必要的参数设置、读入图像并进行预处理。2.图像预处理数据准备数据准备1.项目配置数据准备2.图像预处理网络构建2PartMinimalistwindAIVGG网络是ImageNet比赛提出的经典卷积神经网络，在风格迁移任务中使用VGG19网络并不是最终输出一个1000维的向量用来预测物体类别，而只是用预训练的VGG19网络来提取图片的内容和风格特征，从而构建风格迁移中的损失函数。由于VGG网络包含庞大的参数量，这里采用ImageNet数据集进行训练，加快训练的速度。网络构建MinimalistwindAI网络构建1.创建并初始化vgg19模型MinimalistwindAI网络构建2.基于vgg19定义本项目的网络模型感谢您的观看！以上是

本节全部内容训练生成图像人工智能应用素养01目录CONTENTS计算内容损失02计算风格损失03计算总损失04更新生成图像计算内容损失1Part1.内容特征提取

2.计算内容损失计算内容损失计算内容损失1.内容特征提取计算内容损失2.计算内容损失计算风格损失2Part1.风格特征提取风格特征更为抽象和复杂，它不仅仅取决于某一层提取的特征信息，而是多个卷积层提取特征的相关性。Gram（格拉姆）矩阵可以很好地表示这一相关性，该矩阵在图像风格迁移中广泛使用。2.计算单层风格损失计算风格损失3.计算总风格损失计算风格损失1.风格特征提取

计算风格损失2.计算单层风格损失

计算风格损失3.计算总风格损失

计算总损失3PartMinimalistwindAI计算总损失内容损失风格损失总损失

计算总损失计算总损失更新生成图像4Part1.初始化在损失函数建立之后，就可以通过梯度下降逐步迭代使得损失函数最小化，从而使生成的风格化图像尽量符合预期风格，最终即可得到风格化后的结果。首先创建一个optimizer（优化器），并初始化生成图像，使用自动求导来完成一次训练并更新生成图像为提高生成图像的质量，使用训练数据进行多轮训练，每一轮训练完成后，都保存该轮的生成图像到文件中。2.单次迭代更新生成图像3.多轮训练MinimalistwindAI更新生成图像初始化单次迭代MinimalistwindAI更新生成图像3.多轮训练感谢您的观看！以上是

本节全部内容输出结果人工智能应用素养01目录CONTENTS保存生成图像02风格迁移效果展示保存生成图像1Part保存生成图像每一轮训练结束后调用该函数保存生成图像。风格迁移效果展示2PartMinimalistwindAI风格迁移效果展示Epoch=1Epoch=10Epoch=20内容图片风格图片MinimalistwindAI风格迁移效果展示Epoch=1Epoch=10Epoch=20随着训练轮数的增加，使用卷积神经网络进行风格迁移取得了很好的效果，生成图像在内容上与给定内容图像类似，同时视觉效果上表达了风格图像的风格。可以尝试增加训练轮数、调整学习率以及调节总损失函数中目标内容图像和目标风格图像的权重因子等诸多参数，增强风格迁移的效果。该方法每一次生成图像都需要进行多次迭代，这意味着每次风格化都需要耗费大量的计算资源，不具有实时性。感谢您的观看！以上是

本节全部内容本章小结人工智能应用素养本章小结1Part本章小结1.特征提取绘