深度学习六、图像风格迁移

所谓图像风格迁移，是指利用算法学习著名画作的风格，然后再把这种风格应用到另外一张图片上的技术。

1 图像风格迁移的原理

在学习原始的图像风格迁移之前，可以先回忆一下ImageNet图像识别模型VGGNet。

事实上，可以这样理解VGGNet的结构：前面的卷积层是从图像中提取“特征”，而后面的全连接层是把特征转换为类别概率。其中VGGNet中的浅层（如conv1_1，conv1_2），提取的特征往往是比较简单的（如检测点、线、亮度），VGGNet中的深层（如conv5_1、conv5_2），提取的特征往往是比较复杂（如有无人脸或某种特定物体）。

VGGNet的本意是输入图像，提取特征，并输出图像类别。图像风格迁移正好与其相反，输入特征，输出对应这种特征的图片，如图7-1所示。 

具体来说，风格迁移使用卷积层的中间特征还原出对应这种特征的原始图像（类似于谷歌的Deep Dream模型，不过Deep Dream模型是使用最后一层的类别概率还原出对应的原始图像，使用训练好的模型，权重参数不变，假设你要还原香蕉的原始图像，随机初始化输入图像，使得输入图像经过卷积池化全连接等模型的一系列操作后，最后一层对应香蕉的概率最大，不断调整输入图像，使其输出香蕉值接近于1，此时就还原出了香蕉的图像）。

如图7-2a所示，先选取一幅原