用语言来描述计算流程如下：
1、首先用一个给定参数的卷积神经网络（VGG网络），将原始的内容图片和风格图片进行函数映射，这个任务不需要网络后面的全连接层，只需要中间一些卷积层的输出即可，而且将网络中的max_pool改成了avg_pool。
2、可以利用这些中间输出，将其定义为内容输出和风格输出。内容输出是网络中较上层的映射结果，而风格输出是一些较低层映射的相关矩阵，用一个Gram矩阵计算表示。
3、将内容图片加噪音，这个将做为网络的输入，将网络的输出和内容输出进行对比，计算出内容损失函数（像素值取差值，再平方和），和风格输出进行对比，计算出风格损失函数，再整合两个损失形成总损失。
4、训练目标是总损失最小化，训练参数是第3步中的输入图片，这样得到一个图片，使内容和原来的内容图片相似，而风格和风格图片一致。
内容图片如下：
风格图片如下：
初始的输入是一个内容图片加噪音：
最后结果图片如下：
参考资料：
http://arxiv.org/pdf/1508.06576v2.pdf
https://github.com/ckmarkoh/neuralart_tensorflow
具体方法如下面代码所示，
Loading
Sorry, something went wrong. Reload?
Sorry, we cannot display this file.
Sorry, this file is invalid so it cannot be displayed.
