样式迁移
定义：将样式图片上的样式迁移到内容图片上得到合成图片
实线箭头和虚线箭头分别表示前向传播和反向传播
风格迁移常用的损失函数由3部分组成：
(1)内容损失使合成图像与内容图像在内容特征上接近；
(2)风格损失使合成图像与风格图像在风格特征上接近；
(3)全变分损失则有助于减少合成图像中的噪点。
数据预处理：
图片尺寸resize，图片RGB数值归一化，图片格式从 (H,W,C) → (C,H,W) → (1,C,H,W)
数据后处理：
将CNN输出转化为“能看的”图片
模型使用VGG-19
选择相应的层作为内容层和风格层输出
深层特征保留物体结构、空间布局，去掉过多细节
从浅到深覆盖不同尺度的纹理：边缘→纹理→图案→全局风格
裁剪VGG，只保留需要的层
逐层提取特征：
风格迁移有三张图参与：
内容图像（固定不变），风格图像（固定不变），合成图像（每轮都在变）
提前算好内容目标和风格目标：
损失函数（内容损失，风格损失，全变分损失）
内容损失，利用均方误差：
风格损失：
Gram矩阵来定义什么是风格
给定一个特征图（CNN 某层的输出），把它拉平成矩阵 X （形状为 c×hw）
注意这里需要最后的数值归一化，避免出现较大的值影响判断
这样就可以基于gram矩阵来通过均方误差得到误差：
全变分损失：
是风格迁移中的"去噪器"：它惩罚相邻像素之间的剧烈跳变，让合成图像更平滑自然。
本质：遍历每个像素，计算它和右边、下边两个邻居的差异，全部加起来。
风格转移的损失函数是内容损失、风格损失和总变化损失的加权和。 通过调节这些权重超参数，我们可以权衡合成图像在保留内容、迁移风格以及去噪三方面的相对重要性。
初始化合成图像：
合成的图像是训练期间唯一需要更新的变量。因此，我们可以定义一个简单的模型SynthesizedImage，并将合成的图像视为模型参数。模型的前向传播只需返回模型参数即可。
因为 MXNet/Gluon 的 Trainer 只能优化 nn.Block 的参数。我们套一个"模型壳"，让框架以为我们在训练模型，实际上训练的是图像像素。使用Adam优化器（框架内部组件）
训练前的准备工作：
创建"模型"，参数 = 图像像素
init.Constant(X)：用内容图像素初始化合成图。一开始合成图 = 内容图原样
gluon.Trainer(..., 'adam', ...)：Adam优化器，学习率 lr。优化对象是合成图像素
预计算风格图5个层的Gram矩阵（训练时不再重复算）
整体的训练模型：
核心循环：
extract_features(X, ...)：合成图 X 过VGG网络，在目标层"截获"特征
compute_loss(...)：比较合成图和内容图/风格图的特征差异，得到总损失 l
trainer.step(1)：Adam优化器根据梯度，更新 X 的像素值
