内容摘要：该文章讨论了不同迭代次数、不同风格和内容权重  对生成图片质量、风格的影响。在TensorFlow框架中，输入初始化图片，使用预训练好的VGG-19识别器对图片进行卷积计算，得到特征图，分别计算风格图片和初始化图片浅层特征图Gram矩阵的均方距离，内容图片和初始化图片深层特征图的均方距离，得到总损失函数，再使用Adam优化器进行迭代，经过一定次数的迭代，得到另类风格的新图片。最后发现最开始迭代时，图片的变化差异较大，后面的变化越来越小，同时在一定范围内迭代次数越多生成的图片纹理越清晰。还有内容和风格权重比重对图片质量的影响，当  较小时，生成的图片接近于风格图片；当  适中时，生成的图片能较好地在具有风格图片的风格同时，也能体现出内容图片的内容；当    较大时，生成的图片接近接近于内容图片，只是部分笔触等细微纹理有些许差异。

关键词：VGG；卷积神经网络；风格迁移；Gram矩阵；TensorFlow

目录

内容摘要

Abstract

1. 引言-1

1.1 研究背景和意义-1

1.2 风格迁移技术的研究现状-2

2. 相关原理-3

2.1卷积神经网络-3

2. 2 VGG模型-3

2.3 Gram矩阵-5

2.4 基于深度学习风格迁移方法-5

2.4.1 内容损失-5

2.4.2 风格损失-6

2.4.3 风格迁移损失-7

2.4.4 风格迁移实现-7

3. 实验结果-8

3.1 不同迭代次数结果的影响-8

3.2  不同风格内容权重的影响-10

4 总结与展望-12

4.1 总结-12

4.2 展望-12

参 考 文 献-14

致 谢-15