Сергей Соколов

Нужно поискать на github'е "GAN style transfer" и прочитать подробно Readme по использованию.

new_img у вас же Numpy array?
Его прямо можно передавать в модель:

predictions = obj['main'].predict([new_img]) # или predict(np.array([new_img]))

# и дальше
result = obj['classes'][np.argmax(predictions[0])]

На вход модели TF так и так подается массив.

Те же котики-собакены сначала преобразуются в массив чисел.

1. НС это математическая модель. Программа это, в частности, может быть и реализация математической модели в компьютерном коде. Работу нейросети можно и на бумаге просчитывать, но медленно )
2. можете.
3. есть.

А вот посмотрите как сеть работает прямо в браузере: https://playground.tensorflow.org

1 - 3.377852191807931e-49 * 0.1 * 1 = 1.0

запись 3.3e-49 означает 3.3 умножить на 10 в –49-й степени. Т.е. какое-то очень малое число.
Потом домножают на 0.1, получается вообще в –50-й: 0.(50 нулей)33

Без специальных библиотек вычисления с дробными числами выполняются с небольшими округлениями. Это неизбежно из-за двоичной системы исчисления и «всего лишь» 16-, 32- или 64-битного ограничения на запись числа. Отсюда парадокс:

>>> 0.1 + 0.2
0.30000000000000004

Как видите, ошибка округления 4e-16. А уж числа порядка 1e-50 тем более пропадут и будут считаться за ноль.

Почитайте про GAN — generative adversarial network.
В общих чертах там две нейросети. Одна генерит картинки, другая оценивает, насколько у первой хорошо получается. Например, урок про GAN на TensorFlow (на англ.)

Можно попробовать попробовать обучить сеть на большой коллекции логотипов. Например с Brands of the World. И посмотреть, что у получится у этой парочки в плане создания новых, вдохновлённых.

взаимодействие нейросетей с графическими элементами, а не только с математическими

Нейросети работают только с «математическими элементами», с числами. Чтобы скормить картинку в сеть, её переводят в массив чисел: каждый пиксель в 1 (серое) или 3 (red, green, blue) значения от 0 до 255.

Возможно, более интересный подход был бы без нейронных сетей. Слышали про «генеративное искусство»? Когда пишут программы, создающие что-то красивое. Можно было бы объединить опыт живых дизайнеров с большим портфолио, формализовать их подход к созданию логотипов, и случайно (?) выбирать один из путей. Такое, широкое дерево решений: начать с графического примитива (окружность | прямая | кривая N-го порядка), затем добавить к ней точки, из точек построить (?) и так далее, далеко ) Оценку созданного уже доверить субъективному взгляду человека.

При классификации размерность выхода обычно равна числу классов.
1 из 3 действий == 3 «нейрона».

На каждом некое значение от 0 до 1 — вероятности. Брать вариант с наибольшей вероятностью.

Раз максимум ищется среди 2-го уровня, можно изменить размерность, рассматривая каждую девятку как ряд:

y = x.reshape(5,9).argmax(axis=1)

# array([0, 7, 5, 2, 2])

Теперь эти индексы надо преобразовать обратно к паре координат:

f = lambda i: (i // 3, i % 3)
# или вернее так:
f = lambda i: (i // x.shape[1], i % x.shape[2])

(a, b) = f(y)

# array([0, 2, 1, 0, 0]), array([0, 1, 2, 2, 2])

Остаётся выдергивать из обоих массивов пары с одинаковыми индексами.

result = np.empty((a.size + b.size,), dtype=a.dtype)
result[0::2] = a
result[1::2] = b
result.reshape(5,2)

array([[0, 0],
       [2, 1],
       [1, 2],
       [0, 2],
       [0, 2]])

Копировать код по ячейкам из предпросмотра на github, или установить jupyter/nbconvert

Но очень рекомендую запускать именно в Jupyter Notebook – это супер удобно!
Можно поставить себе на комп через Docker.
А можно ничего не устанавливать и просто завалиться в Google Colab, где всё готовое и с GPU.

Вероятно, стоит найти готовую реализацию нейросети на JS, чтобы работала в браузере.

Например, посмотрите на ConvNetJS и демки.

Вы имели какой-то опыт с NN? Представляете, как их тренировать, как брать готовые, как их потом использовать?