这是一个使用Python和NumPy从零开始实现的神经风格迁移项目，其核心思想源于Leon A.Gatys等人的论文"A Neural Algorithm of Artistic Style"。项目不依赖任何深度学习框架(如TensorFlow或PyTorch)，所有网络层、损失函数和优化器均为手动实现。

该项目能够将一张“内容图”的结构与一张“风格图”的艺术风格相结合，生成一张全新的、融合了两者特点的图像。

纯NumPy实现：所有核心算法，包括卷积层、池化层、损失函数等，都只使用 NumPy库实现。 VGG19 模型: 使用了预训练的 VGG19 模型作为特征提取器来感知图像的内容和风格。 内容与风格损失：

• 内容损失通过计算特征图之间的均方误差(MSE)来定义。
• 风格损失通过计算特征图的格拉姆矩阵(Gram Matrix)之间的均方误差来定义。
• 优化实现: 卷积层和池化层同时包含了基础的循环实现(raw)和使用im2col思想优化的speedup版本，用于对比学习和性能评估。

Adam 优化器：项目内置了一个手动实现的Adam优化器，用于在训练过程中迭代更新生成的图像。

文件结构

.
├── code/
│   ├── __init__.py             
│   ├── layers1.py              # 定义全连接层和ReLU激活层
│   ├── layers2.py              # 定义卷积层和最大池化层(包含优化版本)
│   ├── layers3.py              # 定义内容损失层和风格损失层
│   ├── style_transfer.py       # 定义了VGG19模型的结构、Adam优化器
├── output/                     # 存储代码的输出的图片
├── src/                        # 存储代码运行中需要用到的资源
│   ├── content/                # 存储内容图片
│   ├── style/                  # 存储风格图片
│   │   ├── style.jpg           # 风格图片-梵高的《星空》
│   ├── vgg19.mat               # VGG19预训练权重
├── main.py                     # 项目主入口，用于运行测试和风格迁移

1. 克隆或下载项目
2. 安装依赖库 项目主要依赖 numpy, scipy, Pillow 和 imageio。可以通过 pip 安装：

   pip install numpy scipy pillow imageio

3. 准备图像 准备您自己的内容图和风格图，并根据 main.py 中的路径设置将它们放置在正确的目录中。
4. 如何运行

• 确保所有依赖、模型和图像文件都已准备就绪。
• 在项目根目录下，运行 main.py 文件：

  python main.py

• 程序将首先运行 test_speedup 函数，打印优化前后卷积层的性能对比。
• 接着，程序将开始风格迁移的迭代过程，每隔一定步数，会在 output/ 目录下生成一张当前的风格迁移图像，如 output_0.jpg, output_5.jpg...。

您可以直接在 main.py 文件的开头部分修改超参数以调整风格迁移的效果：

• CONTENT_LOSS_LAYERS, STYLE_LOSS_LAYERS: 修改用于计算损失的VGG层。
• ALPHA, BETA: 调整内容损失和风格损失的权重，这是影响最终效果的关键参数。BETA 越大，风格化效果越强。
• TRAIN_STEP: 训练迭代的总步数。
• LEARNING_RATE: Adam 优化器的学习率。
• IMAGE_HEIGHT, IMAGE_WIDTH: 生成图像的尺寸。
• 也可以在代码中修改内容图和风格图的文件路径。