論文名稱：A Neural Algorithm of Artistic Style
主要結果：將一副圖片中的風格與另一幅圖片中的內容相轉換。如下圖：
原理：深度學習時一個連續函數模型f(x)=y。其中y是特徵，而x是原圖，現在假設知道了特徵和f，那麼如何求原圖？
可以將x作爲變量，其他參數都固定。具體爲：設x1是空白圖片，f(x1)=y1，最小化|y-y1|這個代價函數，如此做即可得到原圖x。
當然光得到原圖還是不夠的，還要加上風格，風格如何獲取？首先找一個風格圖片，然後將圖片輸給一個訓練好的深度模型，如論文中採用了VGG模型，VGG與resnet類似，都是分成了5個block，論文中採用5個block的輸出作爲求風格的位置。具體求風格的方法是首先每一層（layer）的輸出都是類似於【batch_size,h,w,filters_num】，論文從採用gram矩陣來作爲風格的一個量化，gram矩陣是利用特徵之間的協方差來得到的。而爲什麼論文中是兩個矩陣直接相乘呢？因爲加入均值爲0，那麼兩個向量直接相乘就是兩個向量的協方差，如下公式：
比如在'block1_conv1'這個位置，空白圖片的gram矩陣是A，風格圖片是B，那麼sum(|A-B|)即是loss。於content中說的一樣的方法可以得到風格圖片。
最後講loss乘以係數相加：
ratio α/β was either 1×10 −3 (Fig 2 B,C,D)or 1 × 10 −4。
可調參數：
loss函數中的比例可以調，調了就是風格和內容比例的多少。
風格採用哪些層也可以調，文中採用了好幾種組合方式，具體見論文。