Я работаю над приложением для передачи стилей, оптимизированным для применения определенного стиля (в моем случае «похожего на стекло») стиля к определенным типам изображений (в моем случае черно-белые изображения, изображающие людей или архитектуру).Для этого я имею в виду точную настройку модели Keras (VGG16) с весами, предварительно настроенными на изображениях ImageNet.Меня немного смущает вопрос о том, как точно настроить такую модель, поскольку я не занимаюсь классификацией изображений, и поэтому функционально-ориентированные классы не кажутся очень полезными.Я думаю, что я могу исправить самые глубокие слои моей модели и тренироваться, используя функцию «подгонки» Кераса на слоях более высокого уровня с моими дополнительными тренировочными изображениями для тонкой настройки.Я считаю, что мои тренировочные образы могут использовать следующие два класса для различения желаемых и нежелательных результатов: «должным образом стилизованное» изображение и «неправильно стилизованное» изображение.Тем не менее, так как классы ImageNet более 5 лет действительно отличаются от «правильного стиля» и «неуместного стиля», я не уверен, будет ли этот подход эффективным или у меня есть фундаментальное недоразумение.Мне пришло в голову, что я могу альтернативно настроить набор изображений, изображающий только правильно стилизованные изображения, и мои классы вместо этого будут соответствовать предмету изображений, таких как 10 классов CIFAR-10, но вместо этого задействовать изображения, которые соответствуют моим потребностямлучше (предметно и по стилю).Какой из этих двух подходов будет лучше для меня?Кроме того, правильно ли я думаю об этой проблеме или я не могу использовать функцию подбора Keras для своих целей (и вместо этого мне может понадобиться подход, более похожий на использование scipy.optimize для каждого тренировочного образа, чтобы минимизировать две функции потерь с нуля),Спасибо.