PyTorch深度学习

第7章　生成网络

前面章节看到的所有例子都专注于解决分类或回归问题。本章非常有趣，而且对理解深度学习如何解决非监督学习问题非常重要。

本章将训练网络，让其创建下述内容：

• 基于内容和特殊艺术风格的图片，俗称风格迁移（style transfer）；
• 使用特殊类型的生成对抗网络（Generative Adversarial Network，GAN）生成新的人脸；
• 使用语言模型生成新的文本。

这些技术构成了发生在深度学习领域中大多数高级研究的基础。深入某一子领域的确切细节，如GAN和语言模型，超出了本书的范畴，因为它们的内容完全可以独立成册。我们将学习它们通常是如何工作的以及用PyTorch构建它们的过程。

7.1　神经风格迁移

我们人类生成的艺术品具有不同水平的准确度和复杂性。尽管创作艺术作品可能是个非常复杂的过程，它可以看成两个重要因素的联合，即画什么和怎么画。画什么来自于我们身边所见事物的启发，怎么画也受我们周边所发现的某些事物的影响。从画家的角度来看，这可能有点过度简单化了，但对如何使用深度学习算法创作艺术品却非常有用。我们将训练深度学习算法从图片中获取内容，然后根据指定的艺术风格进行绘画。如果你是个艺术家，或在创艺界工作，你可以直接使用近年来这方面的杰出成果来改善作品，并在所工作的领域中创作出很酷的东西。即使你不是搞创作的，它也会带你进入生成模型的领域，其中网络将会生成新的内容。

让我们从高层次上理解神经风格迁移做了什么，然后深入细节，并了解构建它们的PyTorch代码。风格迁移算法由内容图片（C）和风格图片（S）提供，算法必须生成一个具有内容图片内容和风格图片风格的新图片（O）。这一创建神经风格迁移的过程由Leon Gates和其他一些人在2015年引入（A Neural ...