TensorFlow2 实现神经风格迁移，DIY数字油画定制照片，面试必问知识点

[](

)使用VGG提取特征

---

分类器CNN可以分为两部分：第一部分称为特征提取器 (feature extractor)，主要由卷积层组成；后一部分由几个全连接层组成，输出类概率得分，称为分类器头 (classifier head)。在ImageNet上为分类任务预先训练的CNN也可以用于其他任务，这就是所谓的迁移学习 (transfer learning)，我们可以转移或重用一些学到的知识到新的网络或应用中。

在CNN中，图像重建的两个步骤如下：

1. 通过CNN向前计算图像以提取特征。

2. 使用随机初始化的输入，并进行训练，以便其重建与步骤1中的参考特征最匹配的特征。

在正常的网络训练中，输入图像是固定的，并且使用反向传播的梯度来更新网络权重。在神经风格迁移中，所有网络层都被冻结，而我们使用梯度来修改输入。在原始的论文使用的是 VGG19， Keras 有一个可以使用的预训练模型。VGG的特征提取器由五个块组成，每个块的末尾都有一个下采样。每个块都有2～4个卷积层，整个VGG19具有16个卷积层和3个全连接层。

在下文中，我们将实现内容重构，同时将其扩展以执行风格迁移。以下是使用预训练的VGG提取block4_conv2的输出层的代码：

因为我们只需要提取特征，所以在实例化VGG模型时使用include_top = False冻结网络参数

vgg = tf.keras.applications.VGG19(include_top=False, weights=‘imagenet’)

content_layers = [‘block4_conv2’]

content_outputs = [vgg.get_layer(x).output for x in content_layers]

model = Model(vgg.input, content_outputs)

预训练的 Keras CNN 模型分为两部分。底部由卷积层组成，通常称为特征提取器，而顶部是由全连接层组成的分类器头。因为我们只想提取特征而不关心分类器，所以在实例化VGG模型时将设置 include_top = False 。

[](

)图像加载

首先需要加载内容图像和风格图像：

def scale_image(image):

MAX_DIM = 512

scale = np.max(image.shape)/MAX_DIM

print(image.shape)

new_shape = tf.cast(image.shape[