无监督问题，不存在结果，生成问题：图像风格转换
图像分类是有监督问题
不断调整I‘的值，使得f – f’越来越小，当f – f’足够小的时候，认为I与I‘足够相近。
结论：越低层的内容特征，越能得到精细的内容特征效果，越高层的风格特征越能得到越抽象的风格特质结果。
损失函数：某一层的特征值的平方差。
F：图像输入到卷积神经网络中去得到的某一层的**值。对应位置上和待生成的图像的特征相减做平方。
风格特征基于关联性进行计算
Gram矩阵：图像在某一层上的**值有很多个feature map，多个神经元图的输出两两之间做相似度计算（内积）。
因为慢，所以V1并不实用。
V2，V3则可以用一次转换的方式实现图像风格转换。
实战：暂时先不关注，日后如果需要再补充
图像风格转换V2算法
V1算法缺点：每次需要随机初始化图像，使用梯度下降的方式进行图像求解。这样就需要运行多次梯度下降的方法，使得效率低。
提升效率—V2算法
输入图像可以变，但风格图片是固定的。
在V1算法中，y~是随机初始化的，在V2算法中，y~并不是随机初始化的，而是由把内容图像输入到trandform net中去，得到的y~，所以相当于train trandform net网络。而不是train y。
区别：y~的来源
在V2的训练过程中，只能一次给一个风格train一个网络。则image trandform net对应的是一种风格。在训练过程中保持风格图像不变，可以切换内容图像。
相同点：后半部分
V1，V2都存在风格损失无法定义的缺点（gram矩阵无法解释）