0. 风一更
有几天没有更新了，因为不知道小白喵的学习情况。小黑喵学习深度学习主要还是更偏NLP一点。在文本数据使用word2vec处理为向量矩阵这部分是视觉方向接触不到的，之前想更这部分内容，不过既然是个方法与工具，就觉得意义不是很大，本质上要处理文本还是将其转换为适合神经网络的矩阵向量输入。
前面的章节介绍了LeNet-5和CNN的基本网络构成，代码给出的是这两种网络解决MNIST手写识别问题。如果能对CNN类卷积神经网络有大致印象（它有哪些层，大体上是如何完成conv-relu-pool，层与层参数个数如何计算，全连接层如何工作，原始输入是如何被一层一层的网络层操作、矩阵的大小怎么一步步变化的），我觉得就已经非常好了。更细节的问题需要对照博客内容和代码一步一步的细致看看。比如代码这一步在构建网络的conv层，那么查一下该函数的参数说明，对照论文或博客中的原理，可能认识会更清晰一点。把代码跑起来，会更有成就感一些。
这一个博客要实现的是，利用CNN网络，完成对某一名画A的作画风格的学习后，将这种风格应用于另外一幅画B。即使用A的作画风格，保留B的骨架，将两者融合。本次仿真就没什么数据集了，只需要两幅画。原理其实比较简单，利用CNN网络，将名画A的作画特征进行存取，然后保留这些训练好的过程矩阵（参数），输入画B后将这些参数矩阵与B的矩阵融合（参数矩阵相当于滤镜，用滤镜去看画B）。
代码还在调试中，之后再继续更了。
（Continue...小黑喵施工现场...）