系統(tǒng)框架：
其中損失網(wǎng)絡是在imgnet上預訓練過的vgg16，訓練過程中參數(shù)保持不變；
變換網(wǎng)絡fw是深度殘差網(wǎng)絡（deep residual cnn）;
損失網(wǎng)絡對比生成網(wǎng)絡生成的圖片與每一幅訓練集中的目標圖片，
于是損失函數(shù)可表示為：
網(wǎng)絡細節(jié)的設計大體遵循DCGAN中的設計思路：
1.不使用pooling層，而是使用strided和fractionally strided卷積來做downsampling和upsampling，
2.使用了五個residual blocks
深度殘差網(wǎng)絡（resnet）：理論上網(wǎng)絡深度越深能夠提供更好的特征表示，然而梯度彌散/爆炸成為訓練深層次的網(wǎng)絡的障礙，導致無法收斂。有一些方法可以彌補，如歸一初始化，各層輸入歸一化，使得可以收斂的網(wǎng)絡的深度提升為原來的十倍。然而，雖然收斂了，但網(wǎng)絡卻開始退化了，即增加網(wǎng)絡層數(shù)卻導致更大的誤差。深度殘差網(wǎng)絡采用的解決方法是讓網(wǎng)絡F(x)學習殘差y-x，基于的理論是至少讓誤差不會變得更大。
殘差連接可以幫助網(wǎng)絡學習到一致性（identity function），而生成模型也要求結(jié)果圖像和生成圖像共享某些結(jié)構，因而，殘差連接能夠更好地對應DCGAN的生成模型。
3.除了輸出層之外的所有的非residual blocks后面都跟著spatial batch normalization和ReLU的非線性激活函數(shù)。
4.輸出層使用一個scaled tanh來保證輸出值在[0, 255]內(nèi)。
5.第一個和最后一個卷積層使用9×9的核，其他卷積層使用3×3的核。
損失函數(shù)構建：
損失函數(shù)與gatys的定義類似，具體有，
1. 感知損失并不是直接構建在生成圖與目標圖之間，而是通過損失網(wǎng)絡的二者響應之間
2.特征重構損失（內(nèi)容損失）：
3.風格重構損失：
結(jié)論：
與gatys的原文相比，最大的特點是快！一次訓練，終身搞定！（當然訓練的速度如狗屎一般慢）
