1 2023年04月 深度学习-人脸识别和风格迁移 黄海广 副教授 2 01 人脸识别概述 02 神经风格迁移 本章目录 3 01 人脸识别概述 1.人脸识别概述 02 神经风格迁移 4 1.人脸识别概述 人脸验证（face verification） 人脸识别（face recognition） • 有一个K个人的人脸数据库 • 获取输入图像 01 人脸识别概述 2.神经风格迁移 02 神经风格迁移 20 2.神经风格迁移 21 2.神经风格迁移 22 2.神经风格迁移 深度学习=表示学习+浅层学习 23 多层卷积能抽取复杂特征 浅层学到的特征为简单的边缘、角 点、纹理、几何形状、表面等 深层学到的特征则更为复杂抽象，为狗 、人脸、键盘等等 24 2.神经风格迁移 ?(?) = ??content( content(?, ?) + ??style(?, ?) 两个超参数?和?来确定内容代价和风格代价 给你一个内容图像?，给定一个风格图 片?，而你的目标是生成一个新图片? 25 2.神经风格迁移 • 随机初始化生成图像?，如100×100×3，500×500×3，又或者是任何你想要的尺寸。 • 然后使用代价函数?(?)，使用梯度下降的方法将其最小化，更新?: = ? − ? ?? ?(?)。在

预测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 622 13.12 风格迁移 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 624 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625 13.12.2 阅读内容和风格图像 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625 13.12.3 预处理和后处理 . . . 以引导感兴趣的读者走得更远。Bela Bollobas的《线性分析》 (Bollobás, 1999) 对线性代数和函数分析进行了深入的研究。(Wasserman, 2013) 是一本很好的统计学指南。 如果读者以前没有使用过Python语言，那么可以仔细阅读这个Python教程3。 论坛 与本书相关，我们已经启动了一个论坛，在discuss.d2l.ai4。当对本书的任何一节有疑问时，请在每一节的末

Keras 的核心部分。如果你觉得你的功能属于 Keras 核 心，你可以提交一个设计文档，来解释你的功能，并争取它（请看以下解释）。 请注意任何有关 代码风格（而不是修复修复，改进文档或添加新功能）的 PR 都会被拒绝。 以下是提交你的改进的快速指南： 1. 如果你的 PR 介绍了功能的改变，确保你从撰写设计文档并将其发给 Keras 邮件列表开始， 以讨论是否应该修改，以及如何处理。这将拯救你于 批准，您可以发出合并请求或要求他人撰写合并请求。 2. 撰写代码（或者让别人写）。这是最难的一部分。 3. 确保你引入的任何新功能或类都有适当的文档。确保你触摸的任何代码仍具有最新的文 档。应该严格遵循 Docstring 风格。尤其是，它们应该在 MarkDown 中格式化，并且应该 有 Arguments，Returns，Raises 部分（如果适用）。查看代码示例中的其他文档以做参 考。 4. 撰写测试。你的代 添加新的样例 即使你不贡献 Keras 源代码，如果你有一个简洁而强大的 Keras 应用，请考虑将它添加到我 们的样例集合中。现有的例子展示惯用的 Keras 代码：确保保持自己的脚本具有相同的风格。 � 更多科研资源，请扫码关注微信公众号： � 如诸君认为本文档对您的使用和研究略有帮助，不妨扫码请笔者喝杯咖啡，以鼓励作者 进一步完善文档内容，提高文档质量。

2016 深度学习全面爆发 2016 - 讯飞，搜 狗，阿里 演示了实 时语音识 别翻译 2016 优图实时 美颜美妆 在众多直 播，小视 频场景大 量应用 深度学习实现 的图像风格化， 带动时光相册 等一大批风格 化软件流行 SACC2017 深度学习 – 相对于传统机器学习方法的突破 图像表示：Gabor, SIFT, HOG, LBP, POEM, LGBP, LPQ 图像集表示：Manifold

17 为某 GAN 模型的生成图片。 除了上述应用，深度学习也在其它方向上取得了不俗的效果，比如艺术风格迁移(图 1.18)、超分辨率、AI 换脸、超级夜景等一系列非常实用酷炫的任务，限于篇幅，不再赘 述。 图 1.17 自动生成的图片 图 1.18 艺术风格迁移效果图 1.4.2 自然语言处理 机器翻译(Machine Translation) 过去 x 版本的诸多缺陷。 ❑ PyTorch 是 Facebook 基于原 Torch 框架推出的采用 Python 作为主要开发语言的深度学 习框架。PyTorch 借鉴了 Chainer 的设计风格，采用命令式编程，使得搭建网络和调试 网络非常方便。尽管 PyTorch 在 2017 年才发布，但是由于精良紧凑的接口设计， PyTorch 在学术界获得了广泛好评。在 PyTorch 1.0 版本后，原来的 Bengio, & Haffner, 1998)发布了一个手写数字图片数据集，命名为 MNIST，它包含了 0~9 共 10 种数 字的手写图片，每种数字有 7000 张图片，它们采集自不同书写风格的真实手写图片，数据 预览版202112 第 3 章 分类问题 2 集共 70000 张图片。其中 60000 张图片作为训练集?train(Training Set)，用来训练模型，剩

git+https://github.com/huggingface/transformers 我们建议您使用 Python3.8 及以上版本和 Pytorch 2.0 及以上版本。 3 Qwen 1.2 快速开始 本指南帮助您快速上手 Qwen1.5 的使用，并提供了如下示例：Hugging Face Transformers 以及 ModelScope 和 vLLM 在部署时的应用实例。 1.2.1 Hugging python 脚本以及 shell 脚本的相关细节 Shell 脚本 在展示 Python 代码之前，我们先对包含命令的 Shell 脚本做一个简单的介绍。我们在 Shell 脚本中提供了一些 指南，并且此处将以 finetune.sh 这个脚本为例进行解释说明。 要为分布式训练（或单 GPU 训练）设置环境变量，请指定以下变量：GPUS_PER_NODE 、NNODES、NODE_RANK 1.14. Qwen-Agent 41 Qwen 1.15 LlamaIndex 为了实现 Qwen1.5 与外部数据（例如文档、网页等）的连接，我们提供了 LlamaIndex 的详细教程。本指南旨 在帮助用户利用 LlamaIndex 与 Qwen1.5 快速部署检索增强生成（RAG）技术。 1.15.1 环境准备 为实现检索增强生成（RAG），我们建议您首先安装与 LlamaIndex

Rotate Rotate Scale Crop Part Noise ▪ Data argumentation will help ▪ But not too much 下一课时 艺术风格迁移 Thank You.

含有特定目标的 部分 高级处理 验证得到的 数据是否匹 配前提要求 ，估测特定 系数，对 目 标进行分类 •图像分类 •目标检测 •图像分割 •目标跟踪 •OCR文字识别 •图像滤波与降噪 •图像增强 •风格迁移 •三维重建 •图像检索 •GAN 5 图像分类 6 目标检测 目标检测结合了目标分类和定位两个任务。 one-stage(YOLO,YOLO9000,YOLOV3,YOLOV4, YOLOV5

遮挡部分，从而拥有“猜测”缺失内容的 能力，产出预训练模型。再通过大规模预 训练模型理解上文或给定条件，从概率层 面推测最符合要求的输出结果。其本质是 借助超大规模的训练参数猜测上下文的过 程 文本风格 主流思路是分离文本属性及文本内容 迁移 隐式方法即使用某类无监督学习学习或强化学 习模式将文本属性及内容自动分离，常见的有 生成对抗方式，即通过GAN实现目标属性和 文本量性完全由不同的编码控制的状态。