吴恩达深度学习笔记（十） —— 神经风格迁移
主要内容：
一.神经风格迁移简介
二.计算content cost
三.计算style cost
一.神经风格迁移简介
1.神经风格迁移（Neural Style Transfer），简称为NST，就是以一张图为内容基础，以另一张图为风格基础，生成一张新的图：
2.NST使用一张已经训练好的神经网络VGG network作为算法的基础。可知神经网络的浅层学习一些比较低级的特征诸如边界和纹理的等，深层学些一些复杂抽象的特征。为了学习得比较精确但又不过于苛刻，我们一般选择VGG network的中间的隐藏层作为最后的输出（以此计算代价函数，然后进行反向传播）。
3.NST的大概步骤是：
1）加载训练好的VGG神经网络
2）随机初始化生成图像G
3）输入内容图像C，进行前向传播，计算content cost；输入风格图像G，进行前向传播，计算style cost。最后统计总的cost
4）根据计算出的cost，进行反向传播，更新生成图像G的每个像素点
5）重复3）4）步一定的次数
6）输出最终的申城图像G
二.计算content cost
1.content cost，就是计算内容图像与生成图像的“内容差异”，所以直接是对应位置的差值。
2.在计算时，最好将每个信道展开成一个向量。此步骤不是必须的，但可以方便操作：
3.content cost的计算公式如下：
其中a为选中的VGG网络的隐藏层的输出值。
三.计算style cost
1.与content cost直接用对应位置与衡量不同，style cost似乎没有什么直接的衡量的依据。确实是没有，但是可以通过信道间接地去衡量。
2.据称（突然想到这个词，很好用），在同一个卷积层中，不同的信道学习的东西是不同的，比如：
第一个信道主要学习纹理特征、第二个信道主要学习橙色特征。如果在出现纹理的地方，其颜色总是为橙色，则表明信道一盒信道二有很强的的关联性。而提到关联性，就很自然能想到协方差矩阵。因此，风格可以用信道的协方差矩阵去衡量。同时说明，风格，实际上就是不同特征之间的关联度。
3.为了计算信道之间的协方差矩阵，最好将一个信道展开成一个向量，然后根据 A*AT的公式计算协方差矩阵：
最后，style的计算公式如下：
