反向传播如何改变神经风格迁移中的像素（输入数据）？答案

【问题标题】：How does backpropagation changes pixels (input data) in neural style transfer?反向传播如何改变神经风格迁移中的像素（输入数据）？
【发布时间】：2019-10-24 00:09:16
【问题描述】：

我对机器学习很陌生，我想更好地理解神经风格迁移，但我觉得我错过了一些东西。据我所知

反向传播更新权重，而不是输入。生成的图像（G）是一个输入
神经风格迁移方法涉及迁移学习，这意味着它使用预训练网络 (VGG) 来计算成本函数。这个网络不是用来学习其他东西的，而是用来洞察 G 和内容图像 (C) 之间以及 G 和样式图像 (S) 之间的接近度

我的问题是：图像是如何更新的？我可能错了，但是更新网络似乎破坏了最初帮助定义成本函数的见解（成本函数使用某些层的激活来确定 G 是否具有与 C 相似的内容和风格接近S)。但是，假设我们改变了网络。但这意味着改变权重，而不是输入。我们如何根据成本函数调整像素？

我已经看过https://www.youtube.com/watch?v=xY-DMAJpIP4&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF&index=39 和吴恩达关于这个主题的其他视频，但我还是不明白。我提到我指的是 Neural Style Transfer 的第一种方法（Leon A. Gatys 等人）

【问题讨论】：

标签： neural-network conv-neural-network backpropagation

【解决方案1】：

我在阅读 deeplearning.ai 的 cnn 课程中关于神经风格迁移的编程教程时也有同样的疑问。当我通过neural style transfer tutorial on tensorflow 时，事情变得更加清晰。

在教程中，生成的图像 G 被声明为tf.variable。所以把 G 的像素想象成权重。因此，在梯度下降时，像素会随着权重的更新而更新。

【讨论】：