Image style transfer using convolutional NN

文章使用了VGG19网络来进行训练，（包含了16个卷积层和5个池化层，但是实际训练中未使用任何全连接层，并且是使用了平均池化average-pooling替代最大池化max-pooling）

内容层和风格层的选择：将内容图像和风格图像分别输入到VGG网络中，并将网络各个层的特征图（feature map）进行可视化（重构）。
内容重构五组对比实验：

1. conv1_1 (a)
2. conv2_1 (b)
3. conv3_1 ©
4. conv4_1 (d)
5. conv5_1 (e)
   风格重构五组对比实验：
6. conv1_1 (a)
7. conv1_1 and conv2_1 (b)
8. conv1_1, conv2_1 and conv3_1 ©
9. conv1_1, conv2_1, conv3_1 and conv4_1 (d)
10. conv1_1, conv2_1, conv3_1, conv4_1 and conv5_1 (e)
    通过实验发现：对于内容重构，(d)和(e)较好地保留了图像的高阶内容（high-level content）而丢弃了过于细节的像素信息；对于风格重构，(e)则较好地描述了艺术画的风格。如下图红色方框标记：

实际实验中，
内容层选择了conv4_2
风格层选择了conv1_1,conv2_1,conv3_1,conv4_1,conv5_1
（但是在我自己实验过程中，对内容层的选择似乎也可以得到风格迁移的结果，我自己用了内容层的conv2_2作为实验，同时对风格层的选择也进行了不同选择，结果也是一样的。只是在图像的风格上变得更加明显。）
在噪声比率上，我自己做了较大的调整，从noise=0.1-0.6-1。在等于1时，结果图只剩下风格图，看不到内容。比率越接近1，风格越明显。
**

1.5 总结

**
每次训练迭代，更新的参数并非VGG19网络本身，而是随机初始化的输入x；
由于输入x是随机初始化的，最终得到的“合成画”会有差异；
每生成一幅“合成画”，都要重新训练一次，速度较慢，难以做到实时。
博客中只要讲解了两篇风格迁移的论文