用风格迁移搞事情！超越艺术字：卷积神经网络打造最美汉字

曾几何时，小学的我们上机课时最喜欢摆弄的就是word 的艺术字，丑陋的效果并不能阻挡我们在每个角落塞进七彩的字体.......

“七彩”的艺术字

但是时代不同了，我们现在已经有了各种先进的PS软件，我们已经可以作出这样的艺术字：

但是，我们还能更进一步吗？将设计师从繁复的PS工作中解放出来，用深度学习的方法设计艺术字，自动生成更加有意思的艺术字吗？

答案当然是可以！

我们实际上已经有了CNN(卷积神经网络)以及基于其的风格迁移，我们只需要做的是用一张汉字作为原始输入，用一张对应的图片作为风格，迁移上去即可，听上去真是简单呢，事不宜迟，题主这就打开了github，下一个模型开跑，结果如下：

看到结果，不禁让人感到震撼，CNN网络学会了从图片里面剥离出“叶子”和“花朵”两种语义，并且将原始的图片中的背景和汉字部分分开，分别进行绘制。最后的效果就是花海中的文字，而文字恰好由叶子构成，唯美的画面就像大自然的鬼斧神工，处处透露着宇宙的和谐……不行我编不下去了……

最后的结果并不如人意，花颜色太奇怪，叶子黑得蔫了吧唧的，我们还是得深入研究才行。

打开代码，我们发现代码中使用了Keras提供训练好的的VGG19模型，使用其中的几层卷积层作为风格损失，还使用最后一层卷积层作为内容损失，结果并不怎么样。于是，我们分别实验了六层卷积层，分别标记为A-F层，这些作为风格损失的情况:

从这些图片可以看到，卷积网络确实实在逐层抽象，开始时，层A的卷积核还在寻找颜色，后来，BC开始寻找由颜色和线条构成的抽象的“花”“叶”的形状，D、E、F则是逐渐走向识别物体的形状轮廓，摒弃色彩。从某种意义上，我们补充了CNN的可解释性问题。

这启发我们要结合色彩与轮廓，形状与颜色并重地解决问题，于是经过调节LOSS函数，测试了各种层的结果，加入随机扰动，加入图片增强，测试了几十张风格图片后，我们实现了如下的结果，尽情欣赏：

所有代码均已开源，对细节感兴趣的请移步github：github-基于卷积神经网络的风格迁移，超越艺术字

还在等什么？赶紧放开你的想象力！尽情地创造吧！