1 NNPP with FNST 快速神经风格迁移后处理
承接上文用GAN训练后处理，其实那篇也算是一种风格迁移吧，只不过风格损失函数在NST中定义为最大均值差，在GAN中定义为一个熵，用discriminator表示。
2 Fast Neural Style Transfer
基本上是基于Perceptual Losses for Real-Time Style Transfer and Super-Resolution这篇文章，
与Gatsy最早的文章A Neural Algorithm of Artistic Style不同的是，本文提出用一个神经网络做生成器，训练时候loss函数与原来一样，区别在于更新的不是loss network的输入图片，而是生成器的权重。这样生成好的生成器就可以离线将图片生成为风格化图片
和pix2pix很像了，pix2pix的generator就是FNST的transform net，pix2pix的discriminator就是FNST的loss network。区别只是loss的计算方式，FNST是最大均值差，pix2pix中discriminator就是一个熵的计算器
3 实现
和上文很相似，不过这里tranformnet/generator相对更复杂一点
甚至原文中transform net有3层conv，3层deconv和5层residual block
不过本文这里为了加快离线运算，只用了3层conv，3层deconv和2层residual block，filter数量也减少了三倍
最后512*512在GTX980上大概能到20FPS吧，仍然比较慢，而且效果还不是很好。只能说目前可能算力还达不到了。
至于实现方法，是原生Compute Shader的，并没有用Caffe2Go的CPU方法或者cudnn加速库。除了Conv2d的实现稍微绕以外，只写正向传播一点也不复杂。
详见Github项目