我试图了解如何在神经风格转移中计算内容损失背后的直觉。我正在阅读一篇文章：https ://medium.com/mlreview/making-ai-art-with-style-transfer-using-keras-8bb5fa44b216 ，它从内容丢失功能解释了神经风格转移的实现：

文章解释说：

• F 和 P 是行数等于 N 且列数等于 M 的矩阵。

• N 是第 l 层中的过滤器数量，M 是第 l 层的特征图中空间元素的数量（高度乘以宽度）。

从下面用于从特定 Conv 层获取特征/内容表示的代码中，我不太了解它是如何工作的。基本上我打印了每一行代码的输出以试图使它更容易，但它仍然留下了一些问题要问，我在代码下面列出了这些问题：

def get_feature_reps(x, layer_names, model):
    """
    Get feature representations of input x for one or more layers in a given model.
    """
    featMatrices = []
    for ln in layer_names:
        selectedLayer = model.get_layer(ln)
        featRaw = selectedLayer.output
        featRawShape = K.shape(featRaw).eval(session=tf_session)
        N_l = featRawShape[-1]
        M_l = featRawShape[1]*featRawShape[2]
        featMatrix = K.reshape(featRaw, (M_l, N_l))
        featMatrix = K.transpose(featMatrix)
        featMatrices.append(featMatrix)
    return featMatrices

def get_content_loss(F, P):
    cLoss = 0.5*K.sum(K.square(F - P))
    return cLoss

1-对于线featRaw = selectedLayer.output，当我打印时featRaw，我得到输出： Tensor("block4_conv2/Relu:0", shape=(1, 64, 64, 512), dtype=float32)。

• A-Relu:0这是否意味着RELU激活还未被应用？

• b-我还假设我们正在输出特征图输出block4_conv2，而不是过滤器/内核本身，对吗？

• c- 为什么一开始的轴是 1？我对 Conv 层的理解是，它们只是由应用于输入的过滤器/内核的数量（具有形状高度、宽度、深度）组成。

• d- 是selectedLayer.output简单地输出 Conv 层的形状，还是输出对象还包含其他信息，例如来自该层的输出特征图的像素值？

2-使用行：featMatrix = K.reshape(featRaw, (M_l, N_l)打印featMatrix将输出的位置：Tensor("Reshape:0", shape=(4096, 512), dtype=float32)。

• a-这是我最困惑的地方。因此，为了获得图像的特定 Conv 层的特征/内容表示，我们只需创建一个二维矩阵，第一个是过滤器的数量，另一个是过滤器/内核的面积（高度 * 宽度）。那没有意义！我们如何从中获得图像的独特特征？！我们不会从特征图中检索任何像素值。我们只是获取过滤器/内核的区域大小和过滤器的数量，而不是检索任何内容（像素值）本身！

• b- 最终featMatrix也是转置的 - 即featMatrix = K.transpose(featMatrix)与输出Tensor("transpose:0", shape=(512, 4096), dtype=float32)。为什么会这样（即为什么要反转轴）？

3 - 最后我想知道，一旦我们检索到内容表示，我怎样才能将它输出为一个 numpy 数组并将其保存为图像？

任何帮助将非常感激。