快速神经风格化的pytorch实现，采用MobileNetV2的瓶颈模块

带有MobileNetV2瓶颈块的快速神经风格 该存储库包含用于艺术风格转换的算法的PyTorch实现。 该实现基于以下文件和存储库： 与其他实现的主要区别 残差块和卷积更改为MobileNetV2瓶颈块，该瓶颈块使用了“反向残差”和“深度可分离卷积”。 在图片上，您可以看到两种类型的MobileNetV2瓶颈块。 使用左一个代替残差块，使用右一个代替卷积层。 更改目的： 将变压器网络的可训练参数数量从〜1.67m减少到〜0.23m ，因此减少了变压器网络使用的内存量。 从理论上讲，这应该在训练期间，并且更重要的是在推理期间（快速神经风格应尽可能快）提供良好的加速。 看来实际上情况并不是很好，并且变压器网络的这种体系结构仅比原始变压器网络快一点。 造成这种情况的主要原因是，深度卷积在GPU上的实现不如普通卷积有效（在CPU上，速度提高了，但仍然不是很大）。 此实现使用围绕PyTor