反向传播如何改变神经元式传输中的像素(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的迁移，但我觉得我错过了一些东西。就我所知道

1. 反向传播更新权重，而不是输入。生成的图像(G)是一个输入
2. 神经式转移方法涉及到迁移学习，即利用预先训练的网络(VGG)来计算成本函数。这个网络不是用来学习其他东西的，而是提供关于G和内容图像(C)以及G和样式图像(S)之间的亲密关系的见解。

我的问题是:图像是如何更新的？我可能大错特错，但更新网络似乎破坏了最初帮助定义成本函数的洞察力(成本函数使用某些层的激活来确定G是否具有与C相似的内容和接近S的样式)。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。如何调整像素与成本函数的关系？

我已经看过https://www.youtube.com/watch?v=xY-DMAJpIP4&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF&index=39和安德鲁·吴( Andrew )关于这个话题的其他视频，但我还是不明白。我提到我指的是第一种神经方式转移的方法(Leon A. Gatys等人)。

Answer 1

我也有同样的疑问，在deeplearning.ai的cnn课程中，我正在读关于神经类型转移的编程教程。当我通过关于tensorflow的神经式迁移教程时，事情变得更清楚了。

在本教程中，生成的图像G被声明为tf.variable。因此，假设G的像素作为权重。因此，在梯度下降像素被更新，就像权值被更新一样。