圖像風格遷移由Gatys et al.(2016, 蒂賓根大學)在A Neural Algorithm of Artistic Style提出，是最早使圖片能變換成另一張圖片風格的深度學習技術之一。
網路
損失函數
採用 MSE loss 做內容損失和風格損失。每次迭代更新內容圖片，使得輸出圖片可以更接近風格圖片。
訓練
採用LBFGS最佳化，以第四層卷積特徵圖計算輸入圖片與內容圖片的內容損失，取前五層卷積特徵圖計算輸入圖片與風格圖片的風格損失，風格損失經Gram矩陣處理後比較。
評估
筆記
Gram矩陣可以視為顏色的變異數矩陣，有利於學習風格圖片與內容圖片間的顏色變化。
風格遷移的損失函數是以內容圖片的重建損失為目標，並以風格圖片的損失做規範，這也體現在內容圖片只取一層並且比較整張圖的數值，確保輸入的圖片可以保持內容圖片的特質，而風格圖片則用Gram矩陣表示，並取多層訓練，將不同層次的風格特質加入到生成的圖片上。
使用的卷積特徵是前五層，沒有使用更深的網路，可能是基於淺層的卷積過濾器可取得低階的語意特徵(線條、紋理)，在深層的網路取得的是抽象語意特徵。雖然取的層跟論文不同，但結果不差。
結語
本文實作參考官方教學，代碼可參考以下連結
參考
