CV之NS之ME/LF:图像风格迁移中常用的模型评估指标/损失函数(内容损失、风格损失)简介、使用方法之详细攻略
CV之NS之ME/LF:图像风格迁移中常用的模型评估指标/损失函数(内容损失、风格损失)简介、使用方法之详细攻略
目录
图像风格迁移中常用的几种损失函数
1、内容损失
2、风格损失
3、定义总损失
图像风格迁移中常用的几种损失函数
1、内容损失
# endpoints_dict是上一节提到的损失网络各层的计算结果;content_layers是定义使用哪些层的差距计算损失,默认配置是conv3_3
def content_loss(endpoints_dict, content_layers):content_loss = 0for layer in content_layers:#上一节中把生成的图像、原始图像同时传入损失网络中计算。所以这里先把他们区分开#我们可以参照函数tf.concat与tf.split的文档理解此处的内容generated_images, content_images = tf.split(endpoints_dict[layer], 2, 0)size = tf.size(generated_images)# 所谓的内容损失,是生成图片generated_images与原始图片激活content_images的L*L距离content_loss += tf.nn.l2_loss(generated_images - content_images) * 2 / tf.to_float(size) # remain the same as in the paperreturn content_loss
2、风格损失
# 定义风格损失,style_layers为定义使用哪些层计算风格损失。默认为conv1_2、conv2_2、conv3_3、conv4_3
# style_features_t是利用原始的风格图片计算的层的激活。如在wave模型中是img/wave.jpg计算的激活
def style_loss(endpoints_dict, style_features_t, style_layers):style_loss = 0# summary是为TensorBoard服务的style_loss_summary = {}for style_gram, layer in zip(style_features_t, style_layers):# 计算风格损失,只需要计算生成图片generated_imgs与目标风格style_features_t的差距。因此不需要取出content_imagesgenerated_images, _ = tf.split(endpoints_dict[layer], 2, 0)size = tf.size(generated_images)# 调用gram函数计算Gram矩阵。风格损失定义为生成图片与目标风格Gram矩阵的L*L的Losslayer_style_loss = tf.nn.l2_loss(gram(generated_images) - style_gram) * 2 / tf.to_float(size)style_loss_summary[layer] = layer_style_lossstyle_loss += layer_style_lossreturn style_loss, style_loss_summary
3、定义总损失
"""Build Losses"""# 定义内容损失content_loss = losses.content_loss(endpoints_dict, FLAGS.content_layers)# 定义风格损失style_loss, style_loss_summary = losses.style_loss(endpoints_dict, style_features_t, FLAGS.style_layers)# 定义tv损失,该损失在实际训练中并没有被用到,因为在训练时都采用tv_weight=0tv_loss = losses.total_variation_loss(generated) # use the unprocessed image# 总损失是这些损失的加权和,最后利用总损失优化图像生成网络即可loss = FLAGS.style_weight * style_loss + FLAGS.content_weight * content_loss + FLAGS.tv_weight * tv_loss
CV之NS之ME/LF:图像风格迁移中常用的模型评估指标/损失函数(内容损失、风格损失)简介、使用方法之详细攻略相关推荐
- CV之FRec之ME/LF:人脸识别中常用的模型评估指标/损失函数(Triplet Loss、Center Loss)简介、使用方法之详细攻略
CV之FRec之ME/LF:人脸识别中常用的模型评估指标/损失函数(Triplet Loss.Center Loss)简介.使用方法之详细攻略 目录 T1.Triplet Loss 1.英文原文解释 ...
- Graphviz:利用可视化工具Graphviz将dot数据进行图像可视化或者图像保存(两大方法)之详细攻略
Graphviz:利用可视化工具Graphviz将dot数据进行图像可视化或者图像保存(两大方法)之详细攻略 目录 graph_feature函数:为给定的特征生成特征谱系图
- CV之detectron2:detectron2的简介、安装、使用方法之详细攻略
CV之detectron2:detectron2的简介.安装.使用方法之详细攻略 目录 detectron2的简介 1.Detectron2-What's New detectron2的安装 1.Re ...
- ML之ME/LF:基于不同机器学习框架(sklearn/TF)下算法的模型评估指标(损失函数)代码实现及其函数(Scoring/metrics)代码实现(仅代码)
ML之ME/LF:基于不同机器学习框架(sklearn/TF)下算法的模型评估指标(损失函数)代码实现及其函数(Scoring/metrics)代码实现(仅代码) 目录 单个评价指标各种框架下实现 1 ...
- ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失、L1损失、L2损失、Logistic损失)求梯度/求导、案例应用之详细攻略
ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失.L1损失.L2损失.Logistic损失)求梯度/求导.案例应用之详细攻略 目录 常见损失函数求梯度案例 1.线性回归求梯度 2.L ...
- ML之ME/LF:机器学习中的模型评估指标/损失函数(连续型/离散型)的简介、损失函数/代价函数/目标函数之间区别、案例应用之详细攻略
ML之ME/LF:机器学习中的模型评估指标/损失函数(连续型/离散型)的简介.损失函数/代价函数/目标函数之间区别.案例应用之详细攻略 目录 损失函数的简介 损失函数/代价函数/目标函数之间区别 损失 ...
- Matlab:Matlab软件界面的简介(上边菜单栏、中间工作区、右栏、底部栏、运行图像结果栏)、使用方法之详细攻略
Matlab:Matlab软件界面的简介(上边菜单栏.中间工作区.右栏.底部栏.运行图像结果栏).使用方法之详细攻略 目录 Matlab软件界面的简介(上边菜单栏.中间工作区.右栏.底部栏.运行图像结 ...
- 设计师:设计师知识储备之设计流派(高技派、光亮派、白色派、风格派、极简主义、装饰艺术、后现代、解构主义、新现代主义 )之详细攻略
设计师:设计师知识储备之设计流派(高技派.光亮派.白色派.风格派.极简主义.装饰艺术.后现代.解构主义.新现代主义 )之详细攻略 目录
- 设计师:设计师知识储备之设计流派 (高技派、光亮派 、白色派、风格派、极简主义、装饰艺术、后现代、解构主义 、新现代主义 )之详细攻略
设计师:设计师知识储备之设计流派 (高技派.光亮派 .白色派.风格派.极简主义.装饰艺术.后现代.解构主义 .新现代主义 )之详细攻略 目录 设计流派 高技派 光亮派 白色派 风格派 极简主义 装饰艺 ...
最新文章
- mysql答题表设计_PHP+MYSQL问答系统中的提问和回答的表怎么设计
- 科普 | 同一个世界,地图有这么多不同的表达!
- 怎么区分五类线、超五类线和六类线
- 我的微信luogantt
- 软件设计师考试下午真题 数据流图 数据库设计 面向对象 数据结构与算法 UML建模
- 【Redis】7.使用jedis操作redis数据库
- 常用的函数式接口_Consumer接口练习_字符串拼接输出
- mysql 生明变量_在 MySQL 的 SQL 文件中,定义变量与使用变量
- 贷款用途有什么限制?非法用途有什么后果?
- 网络流及建模专题(上)
- ecshop 模板 php代码,ecshop无法在模板文件.dwt和.lbi中直接添加php代码的解决方法...
- 阿里云马劲:保证云产品持续拥有稳定性的实践和思考 1
- LGOJP1941 飞扬的小鸟
- 基于python生成手写的笔记
- EndNote 高校_再也不用苦苦寻找EndNote安装包~【EndNote网页版】
- 8.5 专业的“对口” ——《逆袭大学》连载
- python做题记录之正方形拼接
- android21 下载,21下载2021安卓最新版_手机app官方版免费安装下载_豌豆荚
- 关于第三方App发起Unity开发的app的解决方案
- ActiveMQ的传输协议