简介
这学期开始上《机器学习》相关的课，老师要求每个组都阅读一篇最近发表的关于机器学习的论文，并做展示，其中有很多有趣的小项目，就在这里分享一下。
两张用到的参考图片如下：
参考
原论文
Image Style Transfer Using Convolutional Neural Networks.pdf
论文分析及代码详解
基本都是参考这篇文章做出来的
知乎 keras示例程序解析（2）：图像风格转移
相关知识
深度学习、图像分类入门，从VGG16卷积神经网络开始
如何用简单易懂的例子解释格拉姆矩阵/Gram matrix
VGG网络
先看看网络结构图
图中这些啥convolution,maxpooling都是啥啊？
卷积核
可以通俗理解为特征提取的一个模版，一个图像经过这个卷积核之后便能提取出只包含对应特征的图像。
注意不要忘了后面还接上了一个ReLU函数，用来引入非线性。
Max Pooling
很多翻译把这个称为池化…
结构
比较令人困惑的一点就是224*224*3到224*224*64，为什么图片数量（厚度）增多了？这是怎么实现的？
这个问题可以追溯到LeNet这个比较早的模型，同样的问题出现在了S2到C3这里，其解释可以参考
卷积神经网络 LeNet-5各层参数详解，C3里的图层是对S2各图层的组合，也就是说，将原有特征图层混合成了新的特征图层。即C3有16个通道，每个通道都和上一步的6个通道相连接，由6个通道的组合构成新的通道。在图中，可以想象这个卷积核是可以穿透各个层的。
如图，每个卷积核也是有3个channel的。这里是输出了一个8*8*1的图像，像上面的LeNet一样输出16个channel的话，就用16个5*5*3的卷积核就好啦。
内容处理
本部分建议参考对应代码及解析
Keras:neural_style_transfer.py
知乎 keras示例程序解析（2）：图像风格转移
提取
内容就是采用CNN的某一层或者某几层来表示，层级越高，表示就越抽象。如图，低层的响应是纹理和细节的相应，高层的响应是语义信息的响应。
训练
这里是本论文一个新颖的地方，平常接触到的都是给一堆图片，训练CNN的参数；在这里则是给一个经过ImageNet训练好的CNN（训练好代表它已经可以提取生活中常见的物体的特征），反过来训练出一个图片。训练的是什么参数呢？
p: 原始内容图片
x: 生成图片（初始一个白噪声图片）
Pl: 原始图片在CNN中第l层的内容表示（就是某一层网络的输出 详细理解请参考代码）
Fl: 生成图片在CNN中第l层的内容表示
Flij: 第l层第i个filter上位置j处的激活值
其导数为
来对比一下：
传统梯度下降：参数=原参数-学习率*(Loss对参数的导数)更新参数 即可实现Loss减小
这篇论文中：对内容损失求导，更新参数F（F由X得到，即更新X）使得内容损失减小，使得X在内容上越来越趋近于P
风格处理
和内容类似，首先看风格是如何描述的，
然后对比每一个生成图片的风格G和参考图片风格A的差异E，加权平均每一层的差异得到总的风格损失Lstyle
然后训练参数，减小这个损失。
总体流程
实验
这些是论文中提到的一些实验现象。
内容层级的选择
层级越高，内容越抽象，融合度越好
初始化方式的不同
待生成图片一开始是什么样的？风格图片、内容图片亦或是白噪声，最终效果都差不多，只是白噪声训练时间可能长一些。
疑问
这是我在实验过程中遇到的疑问。
图片大小影响
可以看出100*100效果最好，然而这个VGG网络不是针对ImageNet 224*224的图片提取特征的吗，效果理应最好啊?
大概是本来应该在第二层被提取的特征在第一层就被提取，相当于深度增加，而层级越深效果越好，所以100*100的反而最好。
后tu记cao
大概是一个月之前搞的展示了…完成这篇论文的阅读加上实验用了两周，很多不太懂的地方看了代码就比较清楚了。最关键的是效果很有趣，所以网上参考资料很多，别的组选了一些高深的题目，比如3D物体空间位置重构这种东西- -，也就需要自己开荒了。
