深度学习可以做哪些有趣的事情？（2）--Perceptual L
系统框架：
其中损失网络是在imgnet上预训练过的vgg16，训练过程中参数保持不变；
变换网络fw是深度残差网络（deep residual cnn）;
损失网络对比生成网络生成的图片与每一幅训练集中的目标图片，
于是损失函数可表示为：
网络细节的设计大体遵循DCGAN中的设计思路：
1.不使用pooling层，而是使用strided和fractionally strided卷积来做downsampling和upsampling，
2.使用了五个residual blocks
深度残差网络（resnet）：理论上网络深度越深能够提供更好的特征表示，然而梯度弥散/爆炸成为训练深层次的网络的障碍，导致无法收敛。有一些方法可以弥补，如归一初始化，各层输入归一化，使得可以收敛的网络的深度提升为原来的十倍。然而，虽然收敛了，但网络却开始退化了，即增加网络层数却导致更大的误差。深度残差网络采用的解决方法是让网络F(x)学习残差y-x，基于的理论是至少让误差不会变得更大。
残差连接可以帮助网络学习到一致性（identity function），而生成模型也要求结果图像和生成图像共享某些结构，因而，残差连接能够更好地对应DCGAN的生成模型。
3.除了输出层之外的所有的非residual blocks后面都跟着spatial batch normalization和ReLU的非线性激活函数。
4.输出层使用一个scaled tanh来保证输出值在[0, 255]内。
5.第一个和最后一个卷积层使用9×9的核，其他卷积层使用3×3的核。
损失函数构建：
损失函数与gatys的定义类似，具体有，
1. 感知损失并不是直接构建在生成图与目标图之间，而是通过损失网络的二者响应之间
2.特征重构损失（内容损失）：
3.风格重构损失：
与前文相同，Gram矩阵
各层Gram矩阵二阶欧氏距离差之和
结论：
gatys&ours
与gatys的原文相比，最大的特点是快！一次训练，终身搞定！（当然训练的速度如狗屎一般慢）
