总体结构：

如果构建一个cnn，在浅层更多保留原图的细节（content），而在深层的时候（style），“看起来是梵高星空的样子”，那么一副照片就有了“星空”的风格。如图，内容重构随着层数变深而丢失了越来越多的细节（即滤波器响应F），而风格图随着层数加深越来越能体现出“风格”（即Gram矩阵（见下文））。

模型: vgg19+avg pooling+无全联接

F(lij) 是l层第i个滤波器在位置j的响应.

定义内容损失函数为filter输出与照片的平方误差：

其中P是照片在该层中的内容表示，

定义同一层中不同滤波器之间响应的内积为Gram矩阵：

于是第l层的损失为：

其中Al为风格画在该层的风格表示，

则风格损失函数为各层损失之和：

之后，从两幅白噪声图片开始，分别计算内容损失和风格损失并进行梯度下降迭代，

最终的联合损失函数为：

由于内容和风格的损失函数相互独立，因而可以任意地改变它们之间的比重。

纵轴为不同层风格误差组合，横轴为不同的内容风格比重

paper 链接：https://arxiv.org/pdf/1508.06576.pdf