我们使用了循环一致性生成对抗网络（ CycleConsistent Generative Adversarial Networks, CycleGAN）实现了将绘画中的艺术风格迁移到摄影照片中的效果。这种方法从图像数据集中学习整体风格，进行风格转换时只要将目标图片输入网络一次，不需要迭代的过程，因此速度较快。我们使用了一些自己制作的数据集训练了 CycleGAN 风格迁移模型，并分析了这种方法的优点和局限性。为了使风格转换后的图片保留原来的色彩分布，我们实现并分析对比了多种颜色匹配的方法。我们

实例包括： CNN、图像相关：包含图像分类、目标检测、人脸识别、风格迁移，同时包含GAN、cGAN、CycleGAN等和GAN相关的内容 RNN、序列相关：文本生成、序列分类、训练词嵌入、时间序列预测、机器翻译等等。 强化学习：主要复现一些基础的算法，如Q Learning、SARSA、Deep Q Learning等。

斯坦福计算机视觉课程CS231N中文讲义，对于想学习计算机视觉的同学来说很有用。学完这个课程能够对kNN，SVM，CNN，目标检测，GAN，风格迁移等基础与前沿理论都有足够的了解。

读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏。全书共包含21 个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow 的过程变得轻松和高效。

文件是我本学期人工智能前沿的作业,用深度学习的方法实现输入一张风格图(比如梵高系列名画)和一张自己的任意照片,输出得到含有风格图的style和自己照片content的图。