梵高畫作

什么是神經網絡的風格遷移，簡單來件就是輸入1張照片(自己的照片)，輸出具備另外一張照片(例子梵高畫作)風格的圖片，同時保留原本自己圖片的元素，如下圖片表明了神經網絡風格遷移的過程，當然你也可以使用自己的神經網絡訓練自己的模型，本期教程利用了已經訓練好的模型來進行神經網絡的風格遷移

圖片神經網絡遷移

導入第三方庫(1-4行)

加載神經網絡(6行)

加載圖片獲取圖片的尺寸(7-12行，這些代碼在我們分享目標檢測時都有遇到)

計算圖片blob值(15-16行)

放入神經網絡，進行神經網絡的前向傳遞以便輸出風格遷移圖片(17-18行)

本例的特定圖像，則 輸出 NumPy的陣列將具有形狀 (1 ，3 ，452 ，600 ) ：

· 輸出圖像中有 3個通道。

· 輸出形狀中的最后兩個值是行數(高度)和列數(寬度)。

我們將矩陣重塑為 (3 ，H ，W ) (第21行)

然后通過以下方式對圖像進行"反處理"：

1. 再加上先前減去的平均值(第22-24行)。

2. 縮放(第25行)。

3. 將圖片矩陣轉置(第26行)

4. 顯示圖片

通過以上便可以很容易的把自己的圖片擁有很多名人畫家的風格畫作，但是要想訓練自己的模型，需要寫神經網絡來訓練，這個后期分享，當然你也可以使用前期分享過的視頻目標檢測教程，來優化本期代碼來進行視頻的風格遷移

視頻神經 網絡遷移

前期文章我們分享目標檢測算法的時候都是分開圖片檢測與視頻檢測，當然，當我們輸入一段視頻或者打開攝像頭時，也可以同樣適用

導入第三方庫(1-7行)

由于我們訓練了很多風格的模型，可以導入所有的模型，使用itertools工具來循環加載模型，方便后期調用(10-15行)

加載模型(18行)

初始化視頻流加載圖片，并進行圖片尺寸調整(21-30行)

計算圖片blob值(32-33行)

導入神經網絡，進行神經網絡的風格遷移(34-35行)

處理神經網絡處理的照片(36-41行)

若我們點擊n，就讓神經網絡加載下一個模型(47-50)

最后把風格遷移完成的圖片以視頻的形式實時顯示

OK，大家猜猜本期都使用了那個畫家的那個畫作

總結

以上是生活随笔為你收集整理的使用神经网络进行稀疏采样_使用python+opencv进行神经网络迁移的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。