摘要：图像风格转换在神经网络出现之前，一直是图像处理的难点，因为在此之前没有可以将图像风格特征转化为具体语义信息的方法，不能将图像内容与图像风格进行分离。

在艺术层面，人类通过绘画等方法，可以将图像的内容和风格之间通过复杂的相互作用来进行风格转换创作，但是该方法没有相关的人工智能系统进行模仿，在这里本文将介绍一种基于深度学习的神经网络人工系统来完成头像图片风格迁生成系统。

本文通过深度学习的神经网络将分离图像的内容与风格，导出图像风格表征语义，可以处理微信等网络社交层面的头像风格迁移，变成一种完全新的艺术形式，通过深度学习的神经网络算法，让图像风格迁移变得不再需要较高的艺术水平以及复杂的创作过程。

关键词：深度学习；Python；卷积神经网络；图像迁移

目录

摘要

Abstract

第1章 前言- 1 -

1.1研究背景- 1 -

1.2研究现状- 1 -

1.3研究目标和意义- 1 -

第2章 系统相关技术- 3 -

2.1神经网络- 3 -

2.2卷积神经网络- 3 -

2.2.1卷积层- 3 -

2.2.2池化层- 4 -

2.2.3扁平化层- 4 -

2.3 原始图像风格迁移- 4 -

第3章 需求分析- 7 -

3.1 功能需求分析- 7 -

3.1.1 WEB页面需求分析- 7 -

3.1.2 后端需求分析- 7 -

3.2 可行性分析- 8 -

第4章 系统设计- 9 -

3.1 系统功能设计- 9 -

3.2 快速图像风格迁移功能设计- 10 -

第5章 系统实现- 11 -

5.1 设计模型- 11 -

5.2 模型设计核心- 12 -

5.2.1 生成网络训练- 13 -

5.2.2 转置卷积缩放- 13 -

5.2.3 生成网络计算过程- 14 -

5.2.4 训练以及保存的变量- 15 -

5.3 训练模型实现过程- 16 -

5.3.1 代码设计- 16 -

5.3.2 环境配置- 18 -

5.3.3 参数解析- 19 -

5.3.4 监控训练情况- 19 -

5.4 本地服务器搭建- 20 -

5.4.1 yarn安装与配置- 20 -

5.5.2 yarn 部署- 21 -

5.5 设计页面- 22 -

5.5.1 原始图像选择- 22 -

5.4.2 图像存储- 23 -

5.4.3 风格图像选择- 23 -

5.4.4 生成图像- 24 -

第6章 系统应用结果- 27 -

第7章 总结与展望- 30 -

7.1总结- 30 -

7.2 展望- 30 -

参 考 文 献- 31 -

致  谢- 33 -