TransformerNet是一种轻量级的卷积神经网络架构，专门用于快速艺术风格迁移任务。其设计目标是在保持高质量输出的同时显著提高推理速度。以下是关于 TransformerNet 的架构和流程图的相关描述： ### TransformerNet 架构概述 TransformerNet 主要由以下几个部分组成[^1]： #### 输入层 输入是一幅尺寸为 \(H \times W\) 的图像，经过预处理后被送入网络。 #### 卷积层 (Convolutional Layers) 该部分主要负责提取特征。通常包含几个连续的卷积层，每层通过激活函数 ReLU 进行非线性变换。这些层的设计目的是捕捉低级别的纹理信息以及高级别的语义结构。 ```python class ConvLayer(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1): super(ConvLayer, self).__init__() reflection_padding = kernel_size // 2 self.reflection_pad = nn.ReflectionPad2d(reflection_padding) self.conv2d = nn.Conv2d(in_channels, out_channels, kernel_size, stride) def forward(self, x): out = self.reflection_pad(x) out = self.conv2d(out) return out ``` #### Residual Blocks (残差块) Residual blocks 是 TransformerNet 的核心组件之一，它们允许更深层次的信息传递而不会导致梯度消失问题。每个 residual block 包含两个卷积层和一个跳跃连接（skip connection），从而形成短路路径来帮助优化过程。 ```python class ResidualBlock(nn.Module): def __init__(self, channels): super(ResidualBlock, self).__init__() self.conv1 = ConvLayer(channels, channels, kernel_size=3, stride=1) self.in1 = InstanceNormalization(channels) self.conv2 = ConvLayer(channels, channels, kernel_size=3, stride=1) self.in2 = InstanceNormalization(channels) self.relu = nn.ReLU() def forward(self, x): residual = x out = self.relu(self.in1(self.conv1(x))) out = self.in2(self.conv2(out)) out = out + residual return out ``` #### 上采样层 (Upsampling Layers) 为了恢复原始分辨率，TransformerNet 使用转置卷积操作来进行上采样。这一步骤能够逐步放大特征图直至达到最终输出大小。 ```python class UpsampleConvLayer(torch.nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride): super(UpsampleConvLayer, self).__init__() self.conv2d = nn.ConvTranspose2d( in_channels, out_channels, kernel_size, stride=stride, padding=kernel_size//2, output_padding=1 if stride > 1 else 0 ) def forward(self, x): out = self.conv2d(x) return out ``` #### 输出层 最后，生成的图像会经历一系列反归一化步骤以还原到标准 RGB 范围内，并作为结果返回给用户。 --- ### TransformerNet 流程图说明 下述是一个简化版的 TransformerNet 工作流示意： 1. **图像加载与预处理**: 将输入图片调整至固定尺寸并执行标准化。 2. **前向传播**: - 利用初始卷积层捕获基础模式； - 经过多个残差模块进一步增强细节表现力； - 借助上采样机制重建高分辨率视图。 3. **后处理阶段**: 对预测得到的新样式画面实施逆规范化措施，确保视觉呈现自然逼真。 虽然具体图形无法直接展示在此处，但以上文字叙述已经涵盖了构建对应图表所需的关键要素。 --- ###