图像风格迁移原始论文完整实现代码

图像风格迁移原始论文完整实现代码，可以实现内容图片和风格图片的转化，https://blog.csdn.net/kevinoop/article/details/79827782 这个博客有代码详细介绍。

# -*- coding: utf-8 -*-
“““
Created on Sun Jan 21 11:14:40 2018

@author: ASUS
“““
import os
import sys
import scipy.io
import scipy.misc
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
from PIL import Image
from nst_utils import *
import numpy as np
import tensorflow as tf

#matplotlib inline
def compute_content_cost（a_C a_G）:
    “““
    Computes the content cost
    
    Arguments:
    a_C -- tensor of dimension （1 n_H n_W n_C） hidden layer activations representing content of the image C 
    a_G -- tensor of dimension （1 n_H n_W n_C） hidden layer activations representing content of the image G
    
    Returns: 
    J_content -- scalar that you compute using equation 1 above.
    “““
    
    # Retrieve dimensions from a_G （≈1 line）
    m n_H n_W n_C = a_G.get_shape（）.as_list（）
    # Reshape a_C and a_G （≈2 lines）
    a_C_unrolled = tf.reshape（tf.transpose（a_C perm=[3 2 1 0]） [n_C n_H*n_W -1]）
    a_G_unrolled = tf.reshape（tf.transpose（a_G perm=[3 2 1 0]） [n_C n_H*n_W -1]）
    # compute the cost with tensorflow （≈1 line）
    J_content = tf.reduce_sum（tf.square（tf.subtract（a_C_unrolled a_G_unrolled））） / （4 * n_H * n_W * n_C）
    
    return J_content

def gram_matrix（A）:
    “““
    Argument:
    A -- matrix of shape （n_C n_H*n_W）
    
    Returns:
    GA -- Gram matrix of A of shape （n_C n_C）
    “““   
    GA = tf.matmul（Atf.transpose（A）） 
    return GA

def compute_layer_style_cost（a_S a_G）:
    “““
    Arguments:
    a_S -- tensor of dimension （1 n_H n_W n_C） hidden layer activations representing style of the image S 
    a_G -- tensor of dimension （1 n_H n_W n_C） hidden layer activations representing style of the image G
    
    Returns: 
    J_style_layer -- tensor representing a scalar value style cost defined above by equation （2）
    “““
    # Retrieve dimensions from a_G （≈1 line）
    m n_H n_W n_C = a_G.get_shape（）.as_list（）
    # Reshape the images to have them of shape （n_C n_H*n_W） （≈2 lines）
    a_S = tf.reshape（tf.transpose（a_S perm=[3 1 2 0]） [n_C n_W*n_H]）
    a_G = tf.reshape（tf.transpose（a_G perm=[3 1 2 0]） [n_C n_W*n_H]）
    # Computing gram_matrices for both images S and G （≈2 lines）
    GS = gram_matrix（a_S）
    GG = gram_matrix（a_G）
    # Computing the loss （≈1 line）
    J_style_layer = tf.reduce_sum（tf.square（tf.subtract（GS GG））） / （4 * n_C**2 * （n_W * n_H）**2）
    return J_style_layer

style_layerS = [
    （‘conv1_1‘ 0.2）
    （‘conv2_1‘ 0.2）
    （‘conv3_1‘ 0.2）
    （‘conv4_1‘ 0.2）
    （‘conv5_1‘ 0.2）]

def compute_style_cost（model style_layerS）:
    “““
    Computes the overall style cost from several chosen layers
    
    Arguments:
    model -- our tensorflow model
    style_layerS -- A python list containing:
                        - the names of the layers we would like to extract style from
                        - a coefficient for eac

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件          68  2018-05-12 10:40  pretrained-model\预训练数据下载网址.txt
     文件        7669  2018-01-21 11:33  NST（Gaty）.py
     目录           0  2018-01-21 11:25  images\
     文件      720646  2017-11-26 03:30  images\NST_GM.png
     文件      868690  2017-11-26 03:30  images\NST_LOSS.png
     文件      533504  2017-12-28 23:38  images\Thumbs.db
     文件       76975  2017-11-26 03:30  images\camp-nou.jpg
     文件       33239  2017-11-26 03:30  images\cat.jpg
     文件      930639  2017-11-26 03:30  images\circle_abstract.png
     文件       29674  2017-11-26 03:30  images\claude-monet.jpg
     文件       90349  2017-11-26 03:30  images\content.jpeg
     文件       21296  2017-11-26 03:30  images\content300.jpg
     文件      232594  2017-11-26 03:30  images\content_plus_style.png
     文件       74758  2017-11-26 03:30  images\drop-of-water.jpg
     文件      320270  2017-11-26 03:30  images\gram.png
     文件      368783  2017-11-26 03:30  images\hidden_layers.png
     文件      168901  2017-11-26 03:30  images\louvre.jpg
     文件      897986  2017-11-26 03:30  images\louvre_generated.png
     文件       50296  2017-11-26 03:30  images\louvre_small.jpg
     文件       48146  2017-11-26 03:30  images\monet.jpg
     文件      172643  2017-11-26 03:30  images\monet_800600.jpg
     文件      858141  2017-11-26 03:30  images\pasargad_kashi.png
     文件      238928  2017-11-26 03:30  images\persian_cat.jpg
     文件       30492  2017-11-26 03:30  images\persian_cat_content.jpg
     文件      820820  2017-11-26 03:30  images\perspolis_vangogh.png
     文件      329708  2017-11-26 03:30  images\reshape_loss.png
     文件      893421  2017-11-26 03:30  images\result.png
     文件       66303  2017-11-26 03:30  images\sandstone.jpg
     文件       53165  2017-11-26 03:30  images\stone_style.jpg
     文件       29674  2017-11-26 03:30  images\style300.jpg
     文件        6716  2017-12-20 23:45  nst_utils.py
............此处省略4个文件信息