程序員會這招，女友開心到不行

戀愛小Tip：

若是你會圖像風格遷移…

那麼，暗戀的女生就不再能以「咱們畫風不一樣不能相愛拒絕你了」！

哈哈，好冷的笑話。好了，如今言歸正穿，相信每一個人第一次看到攝影APP prisma時，都被其有趣新奇的功能吸引了目光，prisma可以爲一張普通的照片賦予各類各樣繪畫流派的風格，用從古至今每一個繪畫天才的筆觸，描繪出你手機鏡頭收錄的一切。好比下面這張普通得不能再普通的高樓大廈：

若是你很是喜歡浮世繪的風格，那咱們試試讓《神奈川衝浪裏》的做者葛飾北齋爲你畫出眼前此景吧:

                   

或許咱們也能夠把梵高，蒙克叫上一塊兒來玩：

            

                     

                            

那麼有的小朋友就會問了，這個app比孫悟空72變動能變換風格，它到底是如何作到的呢？

這實際上是人工智能的一種應用，叫圖像風格遷移。

圖像風格遷移，是指讓算法學習某個畫做的風格，而後在另外一張圖片上體現出這種風格。也就是說，就是藉助於卷積神經網絡，預先將畫做中的風格訓練成出模型，只要在目標照片中應用這種模型，那麼就能夠生成相同風格化圖像。用過成表示的話就是：「物體識別——紋理合成——風格提取——圖片合成」。

在以前的圖中咱們看到，兩張圖片一張是負責提供內容的，另外一張負責提供圖像風格，這兩張用來生成一張全新的圖片。獲得的圖片內容沒變，但具備了新的風格。那麼問題就在於咱們是如何實現的，要回答這個問題，咱們須要再深挖一些，去了解卷積神經網絡，卷積神經網絡學習到的究竟是什麼？當咱們給出一張圖片，卷積網絡會對它作什麼？

卷積神經網絡在誕生之初被設計用來對圖片進行分類，近年來它也被應用到了諸如圖片分割，圖像風格遷移及其餘有關計算機視覺方面的工做上，也能夠用於天然語言的處理。卷積神經網絡是深度學習中解釋起來最直觀易懂的模型之一，由於他們的表徵可以作到可視化，從而咱們能夠理解它們可能學到的內容。

當咱們在談論圖片融合時，咱們在談論什麼？—咱們須要對比兩張圖片的內容和風格。故咱們須要計算風格圖片和目標圖片的類似度，或者說是找出差別性，儘量去消除其中的差別性；這樣咱們就可以量化咱們的目標了。

即便同一個物體在不一樣的光照條件下，輪廓、形狀也可能截然不同，而物體識別的難點也就是在不一樣的變量（好比不一樣光線）之下對物體存在的感知，這意味着神經網絡要把圖片內容從它處在的風格中剝離出來。

問題是如何把繪畫大師做品中風格迥異的筆觸與超脫想象的用色「總結」成一種風格濾鏡，而後像格式刷同樣刷給照片？這個問題卷積神經網絡的「過濾原理」能夠回答。

卷積神經網絡也是經過一些可供「調教」的參數，分層處理圖片以便實現某些目的，例如目前應用最爲普遍的物體識別，圖片分類，也能夠用於圖片降噪或去模糊。

 

也正如其餘的人工智能神經網絡同樣，卷積神經網絡的運行方式是前向分層處理。一張圖片相繼經過神經網絡的各個分層，最後一層產生的圖片即爲最終結果。每一層都有一組參數，在運行過程當中被不斷訓練。這些可調教的參數決定了每一個「過濾層」的功能。圖像每通過一個「過濾層」都會產生一組「濾後圖像」，每一張「濾後圖像」都表明了原始圖像的某一特徵（邊緣、角度、輪廓等）。

一般，當一張圖像通過了多層過濾以後，後面留下的特徵會愈來愈抽象。例如，若是卷積神經網絡被訓練用於物體識別，更深層次的「過濾層」更能「感知」到物體的存在而非具體的像素值。

通過多年發展，用於物體識別的卷積神經網絡表現已經愈來愈好，挑戰門檻也越增越高。機器學習在互聯網應用中已經無處不在：Facebook利用它來決定哪條新聞出如今你的時間線上，Google圖片用它來作面部識別。微軟的Skype Translator利用機器學習把演講實時轉換成不一樣的語言。Google還利用DeepMind 爲它晝夜運行的數據中心節能降耗。而基於深度神經網絡的人臉識別技術已經普遍應用於線下的身份認證。

人工智能不僅像阿爾法狗那樣，是離咱們的生活很遠。你們以爲人工智能時代已經到來了嗎？其實答案是確定的，愈來愈多產品，像天貓精靈，掃地機器人，各類各樣的APP紛紛進入咱們的生活。圖像風格遷移，只是其中的冰山一角。之後各類頂尖的人工智能技術將繼續平民化，實如今各類移動硬件上。