论文名称：A Neural Algorithm of Artistic Style
主要结果：将一副图片中的风格与另一幅图片中的内容相转换。如下图：
原理：深度学习时一个连续函数模型f(x)=y。其中y是特征，而x是原图，现在假设知道了特征和f，那么如何求原图？
可以将x作为变量，其他参数都固定。具体为：设x1是空白图片，f(x1)=y1，最小化|y-y1|这个代价函数，如此做即可得到原图x。
当然光得到原图还是不够的，还要加上风格，风格如何获取？首先找一个风格图片，然后将图片输给一个训练好的深度模型，如论文中采用了VGG模型，VGG与resnet类似，都是分成了5个block，论文中采用5个block的输出作为求风格的位置。具体求风格的方法是首先每一层（layer）的输出都是类似于【batch_size,h,w,filters_num】，论文从采用gram矩阵来作为风格的一个量化，gram矩阵是利用特征之间的协方差来得到的。而为什么论文中是两个矩阵直接相乘呢？因为加入均值为0，那么两个向量直接相乘就是两个向量的协方差，如下公式：
比如在'block1_conv1'这个位置，空白图片的gram矩阵是A，风格图片是B，那么sum(|A-B|)即是loss。于content中说的一样的方法可以得到风格图片。
最后讲loss乘以系数相加：
ratio α/β was either 1×10 −3 (Fig 2 B,C,D)or 1 × 10 −4。
可调参数：
loss函数中的比例可以调，调了就是风格和内容比例的多少。
风格采用哪些层也可以调，文中采用了好几种组合方式，具体见论文。