程序员会这招，女友开心到不行

恋爱小Tip：

若是你会图像风格迁移…

那么，暗恋的女生就不再能以“咱们画风不一样不能相爱拒绝你了”！

哈哈，好冷的笑话。好了，如今言归正穿，相信每一个人第一次看到摄影APP prisma时，都被其有趣新奇的功能吸引了目光，prisma可以为一张普通的照片赋予各类各样绘画流派的风格，用从古至今每一个绘画天才的笔触，描绘出你手机镜头收录的一切。好比下面这张普通得不能再普通的高楼大厦：

若是你很是喜欢浮世绘的风格，那咱们试试让《神奈川冲浪里》的做者葛饰北斋为你画出眼前此景吧:

                   

或许咱们也能够把梵高，蒙克叫上一块儿来玩：

            

                     

                            

那么有的小朋友就会问了，这个app比孙悟空72变动能变换风格，它到底是如何作到的呢？

这实际上是人工智能的一种应用，叫图像风格迁移。

图像风格迁移，是指让算法学习某个画做的风格，而后在另外一张图片上体现出这种风格。也就是说，就是借助于卷积神经网络，预先将画做中的风格训练成出模型，只要在目标照片中应用这种模型，那么就能够生成相同风格化图像。用过成表示的话就是：“物体识别——纹理合成——风格提取——图片合成”。

在以前的图中咱们看到，两张图片一张是负责提供内容的，另外一张负责提供图像风格，这两张用来生成一张全新的图片。获得的图片内容没变，但具备了新的风格。那么问题就在于咱们是如何实现的，要回答这个问题，咱们须要再深挖一些，去了解卷积神经网络，卷积神经网络学习到的究竟是什么？当咱们给出一张图片，卷积网络会对它作什么？

卷积神经网络在诞生之初被设计用来对图片进行分类，近年来它也被应用到了诸如图片分割，图像风格迁移及其余有关计算机视觉方面的工做上，也能够用于天然语言的处理。卷积神经网络是深度学习中解释起来最直观易懂的模型之一，由于他们的表征可以作到可视化，从而咱们能够理解它们可能学到的内容。

当咱们在谈论图片融合时，咱们在谈论什么？—咱们须要对比两张图片的内容和风格。故咱们须要计算风格图片和目标图片的类似度，或者说是找出差别性，尽量去消除其中的差别性；这样咱们就可以量化咱们的目标了。

即便同一个物体在不一样的光照条件下，轮廓、形状也可能截然不同，而物体识别的难点也就是在不一样的变量（好比不一样光线）之下对物体存在的感知，这意味着神经网络要把图片内容从它处在的风格中剥离出来。

问题是如何把绘画大师做品中风格迥异的笔触与超脱想象的用色“总结”成一种风格滤镜，而后像格式刷同样刷给照片？这个问题卷积神经网络的“过滤原理”能够回答。

卷积神经网络也是经过一些可供“调教”的参数，分层处理图片以便实现某些目的，例如目前应用最为普遍的物体识别，图片分类，也能够用于图片降噪或去模糊。

 

也正如其余的人工智能神经网络同样，卷积神经网络的运行方式是前向分层处理。一张图片相继经过神经网络的各个分层，最后一层产生的图片即为最终结果。每一层都有一组参数，在运行过程当中被不断训练。这些可调教的参数决定了每一个“过滤层”的功能。图像每通过一个“过滤层”都会产生一组“滤后图像”，每一张“滤后图像”都表明了原始图像的某一特征（边缘、角度、轮廓等）。

一般，当一张图像通过了多层过滤以后，后面留下的特征会愈来愈抽象。例如，若是卷积神经网络被训练用于物体识别，更深层次的“过滤层”更能“感知”到物体的存在而非具体的像素值。

通过多年发展，用于物体识别的卷积神经网络表现已经愈来愈好，挑战门槛也越增越高。机器学习在互联网应用中已经无处不在：Facebook利用它来决定哪条新闻出如今你的时间线上，Google图片用它来作面部识别。微软的Skype Translator利用机器学习把演讲实时转换成不一样的语言。Google还利用DeepMind 为它昼夜运行的数据中心节能降耗。而基于深度神经网络的人脸识别技术已经普遍应用于线下的身份认证。

人工智能不仅像阿尔法狗那样，是离咱们的生活很远。你们以为人工智能时代已经到来了吗？其实答案是确定的，愈来愈多产品，像天猫精灵，扫地机器人，各类各样的APP纷纷进入咱们的生活。图像风格迁移，只是其中的冰山一角。之后各类顶尖的人工智能技术将继续平民化，实如今各类移动硬件上。