Deep Learning with Python

这篇文章是我学习《Deep Learning with Python》(第二版，François Chollet 著) 时写的系列笔记之一。文章的内容是从 Jupyter notebooks 转成 Markdown 的，你可以去 GitHub 或 Gitee 找到原始的 .ipynb 笔记本。

你可以去这个网站在线阅读这本书的正版原文(英文)。这本书的作者也给出了配套的 Jupyter notebooks。

本文为 第8章 生成式深度学习 (Chapter 8. Generative deep learning) 的笔记之一。

文章目录

  • Deep Learning with Python
    • 8.2 DeepDream
      • 用 Keras 实现 DeepDream

8.2 DeepDream

DeepDream

DeepDream 是一种让机器修改图像技术，它利用卷积神经网络，可以作出很迷幻的图像：

由于 DeepDream 用的 CNN 是在 ImageNet 上训练的，而 ImageNet 里有大量的动物图片，所以，DeepDream 生成的图像里有很多动物、动物的一部分的伪影。

DeepDream 使用的算法与卷积神经网络过滤器可视化技术很类似。回忆一下，卷积神经网络过滤器可视化所做的操作是：反向运行卷积神经网络，从一张带随机噪点的空白图像输入，做梯度上升，使某过滤器激活最大化。

DeepDream 与过滤器可视化的主要区别在于：

  • 在 DeepDream 中，我们尝试将所有层的激活最大化，而不只是某一层，这样，会有大量的可视化特征混合在一起——生成更加迷幻的图像。
  • 从一张现有的图像开始，而不是从随机噪点的输入开始，这样生成的图像中会包含输入图像中已存在的视觉模式，并以将其中的一些元素扭曲——生成更加迷幻的图像。
  • 输入图像会在不同的尺度上进行处理——这些尺度称为「八度」(octave)，这可以提高输出的质量。

用 Keras 实现 DeepDream

首先，我们需要选定一个在 ImageNet 上预训练的卷积神经网络：VGG16、Inception、ResNet50 等等都可以。实践证明，Inception 可以生成的比较好，所以这里我们使用 Keras 内置的 Inception V3 模型。

# 不使用及时执行模式
# See https://github.com/tensorflow/tensorflow/issues/33135import tensorflow as tftf.compat.v1.disable_eager_execution()

# 加载预训练的 Inception V3 模型from tensorflow.keras.applications import inception_v3
from tensorflow.keras import backend as KK.set_learning_phase(0)model = inception_v3.InceptionV3(weights='imagenet', include_top=False)

WARNING:tensorflow:From <ipython-input-3-aa9be14f7cc2>:6: set_learning_phase (from tensorflow.python.keras.backend) is deprecated and will be removed after 2020-10-11.
Instructions for updating:
Simply pass a True/False value to the `training` argument of the `__call__` method of your layer or model.

接下来定义损失——需要用梯度上升最大化的量。DeepDream 中，我们要同时将多个层的所有过滤器激活最大化。具体的实现是：对一组靠近顶部的层激活的 L2 范数进行加权求和，然后求出这个值的最大化。层的选择、以及权重分配对生成的结果影响很大：

  • 靠近底部的层会生成基本的几何图案；
  • 靠近顶部的层会生成能够看出某些物品的图像（ImageNet 中的图案，比如鸟或狗）

这里就随便选几个了：

# 输出 Inception V3 模型的结构，在其中选择层import tensorflow as tftf.keras.utils.plot_model(model)


# DeepDream 配置layer_contributions = {'mixed4': 0.0,'mixed5': 3.0,'mixed6': 2.0,'mixed7': 1.5,
}

求对于这些被选中层的损失：

# 定义需要最大化的损失layer_dict = dict([(layer.name, layer) for layer in model.layers])loss = K.variable(0.)for layer_name in layer_contributions:coeff = layer_contributions[layer_name]activation = layer_dict[layer_name].outputscaling = K.prod(K.cast(K.shape(activation), 'float32'))# loss += coeff * K.sum(K.square(activation[:, 2: -2, :])) / scaling# 应该用下面的代码												


											

Python深度学习之DeepDream相关推荐
	

    
								
  1. Python深度学习（DeepDream）--学习笔记（十九）
		
    8.2 DeepDream DeepDream是一种艺术性的图像修改技术,它用到了卷积神经网络学到的表示.DeepDream由Google于2015年夏天首次发布,使用Caffe深度学习库编写实现.它 ...
    
		
    2. 
						
  2. 《python深度学习》代码中文注释
		
    <python深度学习>由Keras之父.现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实 ...
    
		
    3. 
						
  3. 《python深度学习》学习笔记与代码实现（第八章：8.1，8.2，8.3）
		
    <python深度学习>第八章:生成式深度学习 8.1 使用LSTM生成文本 给定一个序列,预测下一个或多个标记的概率,从而生成之后的序列 给定前面的标记,能够对下一个标记的概率进行建模的 ...
    
		
    4. 
						
  4. 粗读《Python 深度学习》（7）
		
    粗读<Python 深度学习>(7) 第八章 生成式深度学习 8.1 使用 LSTM 生成文本 8.1.1 生成式循环网络简史(略) 8.1.2 如何生成序列数据 8.1.3 采样策略的重 ...
    
		
    5. 
						
  5. 【深度学习】DeepDream的实现
		
    问题描述: 用keras实现DeepDream.我们将从一个在 ImageNet 上预训练的卷积神经网络开始.本次选择的模型是Inception模型 实现步骤: 下载数据集和设置DeepDream配置 ...
    
		
    6. 
						
  6. Python深度学习：基于TensorFlow
		
    作者:吴茂贵,王冬,李涛,杨本法 出版社:机械工业出版社 品牌:机工出版 出版时间:2018-10-01 Python深度学习:基于TensorFlow
    
		
    7. 
						
  7. Python深度学习：基于PyTorch [Deep Learning with Python and PyTorch]
		
    作者:吴茂贵,郁明敏,杨本法,李涛,张粤磊 著 出版社:机械工业出版社 品牌:机工出版 出版时间:2019-11-01 Python深度学习:基于PyTorch [Deep Learning with ...
    
		
    8. 
						
  8. python神经结构二层_《python深度学习》笔记---8.3、神经风格迁移
		
    <python深度学习>笔记---8.3.神经风格迁移 一.总结 一句话总结: 神经风格迁移是指将参考图像的风格应用于目标图像,同时保留目标图像的内容. 1."神经风格迁移是指将 ...
    
		
    9. 
						
  9. Python深度学习之搭建小型卷积神经网络（Kaggle网站Dogs-vs-Cats数据集）
		
    完全来源与<Python深度学习>中的例子,仅供学习只用. Cats vs. Dogs(猫狗大战)是Kaggle大数据竞赛的数据集,数据集由训练数据和测试数据组成,训练数据包含猫和狗各12 ...
    
		
    10. 
		


					

最新文章
	

    
						
  1. Storm和MR及Spark Streaming的区别
		
    2. 
						
  2. centos solr 部署到 tomcat 上
		
    3. 
						
  3. eclipse 修改maven项目的jdk版本
		
    4. 
						
  4. 前端学习（2948）：webpack创建简单项目
		
    5. 
						
  5. 34营销的三要素：真实诚信、诱饵引入、合理宣传
		
    6. 
						
  6. Java基本数据类型和String类型的转化
		
    7. 
						
  7. 95-10-130-启动-TransactionCoordinator
		
    8. 
						
  8. 编程练习赛11B 物品价值（装压dp）
		
    9. 
						
  9. 我购买了一台acer笔记本
		
    10. 
						
  10. innodb 关键特性、缓冲池、插入缓冲、两次写
		
    11. 
						
  11. html5兼容包,webpack4搭建现代Hybird-h5工程
		
    12. 
						
  12. java国际时间转换为北京时间
		
    13. 
						
  13. 计算机 上的图片怎样加密码,高手加密法之利用图片给电脑加密新招
		
    14. 
						
  14. MTK平台前后摄使用PMIC供电无法设置不同的DVDD电压
		
    15. 
						
  15. 新闻字幕条制作，一款不错的ae字幕模板
		
    16. 
						
  16. JSP-----JSP简介
		
    17. 
						
  17. android清理存储工具,(安卓)CCleaner Pro — 手机垃圾文件清理工具
		
    18. 
						
  18. 计算机启动的四种方式,电脑有几种开机方式
		
    19. 
						
  19. laravel安装的几种方法总结
		
    20. 
						
  20. 微软官方原版win7（64位/32位）旗舰版系统下载
		
    21. 
		

	


热门文章
	

    
									
  1. matlab滤波器 代码,自适应滤波器设计及Matlab实现附程序代码整理版.doc
			
    2. 
						
  2. 各种nvidia显卡nvlink之后深度学习效率对比、各种显卡功耗、温度对比
			
    3. 
						
  3. 多数满意比不上少数狂热
			
    4. 
						
  4. 用计算机如何算瓷砖菱形加工,瓷砖菱形怎么计算公式
			
    5. 
						
  5. 【开发日记】Deep Speaker 开发日记之Triplet选择
			
    6. 
						
  6. 【Python】日期时间类型格式与时间戳转换
			
    7. 
						
  7. mac电脑忘记密码后强制更改登陆密码
			
    8. 
						
  8. 认识SCI、EI、SSCI、IEEE、CSSCI、CSCD
			
    9. 
						
  9. 弱网下的极限实时视频通信
			
    10. 
						
  10. 深入浅出图解CNN-卷积神经网络
			
    11.