反向传播如何改变神经风格迁移中的像素（输入数据）？

Question

我对机器学习很陌生，我想更好地理解神经风格迁移，但我觉得我错过了一些东西。据我所知

1. 反向传播更新权重，而不是输入。生成的图像（G）是输入
2. 神经风格迁移方法涉及迁移学习，这意味着它使用预训练网络（VGG）来计算成本函数。该网络不是用来学习其他东西，而是用来洞察 G 和内容图像 (C) 之间以及 G 和风格图像 (S) 之间的接近程度

我的问题是：图像如何更新？我可能是非常错误的，但是更新网络似乎破坏了最初帮助定义成本函数的见解（成本函数使用某些层的激活来确定 G 是否与 C 具有相似的内容以及接近于 C 的风格） S）。然而，假设我们改变了网络。但这意味着改变权重，而不是输入。我们如何根据成本函数调整像素？

我已经看过https://www.youtube.com/watch?v=xY-DMAJpIP4&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF&index=39以及 Andrew Ng 关于该主题的其他视频，但我仍然不明白。我提到我指的是神经风格迁移的第一种方法（Leon A. Gatys 等人）

Answer 1

我在阅读 deeplearning.ai 的 cnn 课程中关于神经风格迁移的编程教程时也有同样的疑问。当我完成关于张量流的神经风格迁移教程时，事情变得更加清晰。

在本教程中，生成的图像 G 被声明为tf.variable。因此，将 G 的像素想象为权重。因此，在梯度下降中，像素会随着权重的更新而更新。