2021-01-17 22:26:42

new/dl-pt-workshop/0.md

@@ -24,7 +24,7 @@
 
 “第 4 章”，“卷积神经网络”，详细介绍了卷积神经网络。 使用现实生活中的数据问题，您将学习如何构建网络架构并对其进行训练，以及如何通过使用数据扩充和批量规范化来改善结果。
 
-“第 5 章”，“样式迁移”，演示了执行样式转移任务的过程，其中将两个图像作为输入来创建新图像，并使用来自两个输入图像的元素。
+“第 5 章”，“样式迁移”，演示了执行样式迁移任务的过程，其中将两个图像作为输入来创建新图像，并使用来自两个输入图像的元素。
 
 “第 6 章”，“使用 RNN 分析数据序列”，更详细地探讨了循环神经网络。 在本章中，使用顺序数据作为输入解决了三个流行的数据问题。
 

new/dl-pt-workshop/5.md

-# 5.样式转移
+# 5.样式迁移
 
 总览
 
@@ -18,9 +18,9 @@
 
 [本章中提供的所有代码都可以在以下位置找到](https://packt.live/2yiR97z)。
 
-# 样式转移
+# 样式迁移
 
-简而言之，样式转移包括修改图像的样式，同时又保留其内容。 一个示例是拍摄动物的图像，然后将样式转换为类似莫奈的绘画，如下图所示：
+简而言之，样式迁移包括修改图像的样式，同时又保留其内容。 一个示例是拍摄动物的图像，然后将样式转换为类似莫奈的绘画，如下图所示：
 
 ![Figure 5.1: Style transfer inputs and output – the result of the final exercise of this chapter ](img/B15778_05_01.jpg)
 
@@ -48,7 +48,7 @@
     因此，可以使用 PyTorch 的**模型**子包加载预训练的模型，以执行样式转换任务，而无需训练大量图像的网络。
 
 3.  **确定层的功能**：鉴于手头有两项主要任务（识别图像的内容并区分另一幅图像的样式），不同的层将具有不同的功能来提取不同的特征。 对于样式图像，重点应该放在颜色和纹理上，对于内容图像，重点应该放在边缘和形状上。 在此步骤中，将不同的层分为不同的任务。
-4.  **定义优化问题**：与其他任何监督问题一样，有必要定义一个损失函数，该函数将负责测量输出和输入之间的差异。 与其他受监督的问题不同，样式转移的任务要求您定义三个不同的损失函数，在训练过程中应将所有这些损失最小化。 这里介绍了三种损失函数：
+4.  **定义优化问题**：与其他任何监督问题一样，有必要定义一个损失函数，该函数将负责测量输出和输入之间的差异。 与其他受监督的问题不同，样式迁移的任务要求您定义三个不同的损失函数，在训练过程中应将所有这些损失最小化。 这里介绍了三种损失函数：
 
     **内容损失**：这仅在考虑与内容相关的特征的情况下测量内容图像与输出之间的距离。
 
@@ -58,7 +58,7 @@
 
 5.  **参数更新**：此步骤使用梯度来更新模型的不同参数。
 
-# 使用 VGG-19 网络架构实现样式转移
+# 使用 VGG-19 网络架构实现样式迁移
 
 VGG-19 是由 19 层组成的 CNN。 它使用 ImageNet 数据库中的数百万张图像进行了训练。 该网络能够将图像分类为 1,000 种不同的类别标签，其中包括大量的动物和不同的工具。
 
@@ -66,7 +66,7 @@ VGG-19 是由 19 层组成的 CNN。 它使用 ImageNet 数据库中的数百万
 
 要浏览 ImageNet 数据库，[请访问以下 URL](http://www.image-net.org/)。
 
-考虑到其深度，该网络能够从各种图像中识别出复杂的特征，这使其特别适用于样式转移问题，在这些问题中，特征提取对于不同阶段和不同目的至关重要。
+考虑到其深度，该网络能够从各种图像中识别出复杂的特征，这使其特别适用于样式迁移问题，在这些问题中，特征提取对于不同阶段和不同目的至关重要。
 
 本节将重点介绍如何使用预训练的 VGG-19 模型执行样式转换。 本章的最终目标将是拍摄动物或风景的图像（作为内容图像）以及来自知名艺术家的一幅画（作为样式图像）以创建常规对象的新图像。 具有艺术风格。
 
@@ -321,7 +321,7 @@ for param in model.parameters():
 
 正如我们前面提到的，VGG-19 网络包含 19 个不同的层，包括卷积，池化和全连接层。 卷积层在每个池化层之前先进入堆栈，其中五个是整个架构中的堆栈数。
 
-在样式转移领域，已经有不同的论文确定了对于识别内容和样式图像上的相关特征至关重要的那些层。 因此，常规上接受的是，每个堆栈的第一卷积层都能够提取样式特征，而仅第四堆栈的第二卷积层应用于提取内容特征。
+在样式迁移领域，已经有不同的论文确定了对于识别内容和样式图像上的相关特征至关重要的那些层。 因此，常规上接受的是，每个堆栈的第一卷积层都能够提取样式特征，而仅第四堆栈的第二卷积层应用于提取内容特征。
 
 从现在开始，我们将提取样式特征的层称为`conv1_1`，`conv2_1`，`conv3_1`，`conv4_1`和`conv5_1`，而负责提取内容特征的层将被称为`conv4_2`。
 
@@ -627,7 +627,7 @@ style_features = features_extractor(style_img, model, \
 
 要访问此源代码的 GPU 版本，请参考[这里](https://packt.live/2YMcdhh)。 此版本的源代码无法作为在线交互示例使用，需要通过 GPU 设置在本地运行。
 
-## 练习 5.01：执行样式转移
+## 练习 5.01：执行样式迁移
 
 在此活动中，我们将进行样式转换。 为此，我们将编写本章所学的所有概念。 让我们看一下以下情况。
 

new/dl-pt-workshop/7.md

@@ -1261,7 +1261,7 @@
 
     要访问此源代码的 GPU 版本，请参考[这里](https://packt.live/3eVgp4g)。 此版本的源代码无法作为在线交互示例使用，需要通过 GPU 设置在本地运行。
 
-# 5.样式转移
+# 5.样式迁移
 
 ## 活动 5.01：执行样式转换
 

new/pt-dl-handson/6.md

@@ -10,7 +10,7 @@
 
 ## 定义方法
 
-生成网络现今主要用于艺术应用中。 样式转移，图像优化，去模糊，分辨率改善以及其他一些示例。 以下是计算机视觉中使用的生成模型的两个示例。
+生成网络现今主要用于艺术应用中。 样式迁移，图像优化，去模糊，分辨率改善以及其他一些示例。 以下是计算机视觉中使用的生成模型的两个示例。
 
 ![Defining the approaches](img/B09475_06_01.jpg)