1．内容重构下图中所得到的五个内容重构结果分别基于VGG模型中的‘conv1_1’层(a)，‘conv2_1’层(b)，‘conv3_1’层(c)，‘conv4_1’层(d)和‘conv5_1’层(e)。2．风格重构通过计算卷积神经网络在某一层各特征图之间的相关性对图像的风格进行重构，可以得到一个相对应的风格表示图。为了生成与给定图的风格相匹配的纹理图像，Gatys等人首先初始化一个白噪声图像，接着使用梯度下降法来寻找与原图的风格表示相匹配的图像，得到在该层风格重构的生成图像。上页图中所得到的五个风格重构结果分别基于VGG模型中的‘conv1_1’层(a)，‘conv1_1’和‘conv2_1’层(b)，‘conv1_1’、‘conv2_1’和‘conv3_1’层(c)，‘conv1_1’、‘conv2_1’、‘conv3_1’和‘conv4_1’层(d)，‘conv1_1’、‘conv2_1’、‘conv3_1’、‘conv4_1’和‘conv5_1’层(e)对风格表示进行匹配而得。3．内容与风格的重组下图中第A行显示的是与VGG模型中‘conv1_1’层风格重构相匹配的结果，第B行显示的是与VGG模型中‘conv1_1’和‘conv2_1’层风格重构相匹配的结果，第C行显示的是与VGG模型中‘conv1_1’、‘conv2_1’和‘conv3_1’层风格重构相匹配的结果，第D行显示的是与VGG模型中‘conv1_1’、‘conv2_1’、‘conv3_1’和‘conv4_1’层风格重构相匹配的结果，第E行显示的是与VGG模型中‘conv1_1’、‘conv2_1’、‘conv3_1’、‘conv4_1’和‘conv5_1’层风格重构相匹配的结果。

DeepFace方法的贡献主要包括两点：一是基于3D模型对人脸进行对齐；二是使用大数据训练深层的人工神经网络，得到具有判别性的人脸特征。

在网络训练期间，dropout技术相当于是对整体神经网络进行子采样。具体实现方法为：以50%的概率将神经网络中每一个隐层结点的输出设置为0，使之不参与前向传播和反向传播。

增加训练样本，又称为数据增强（dataaugmentation），通过对图像进行变换人为地扩大训练数据集。该方法是减少过拟合现象的一个最容易和最普遍的方法。常见数据增强方法：1、随机裁剪和水平翻转；2、颜色调整

AlexNet中，使用ReLU激活函数来替代Sigmoid激活函数。相比较于Sigmoid激活函数而言：1、ReLU激活函数在大于0的部分梯度为常数，不会出现梯度弥散现象；2、ReLU激活函数在小于0的部分梯度都为0，可以在一定程度上缓解过拟合现象的发生；3、ReLU激活函数的导数计算非常简单快速

AlexNet总共包含8个学习层：前5层是卷积层，最后3层是全连接层。在这5个卷积层中，第1、2、5层后面有最大值池化（Maxpooling）层。

ImageNet由美国斯坦福大学LiFei-fei教授的研究团队提出，是一个很大规模的数据库，包含超过一千五百万具有标签的高清图像，这些图像可以分成约两万两千个类别。这些图像均从网络中采集而得；并使用亚马逊的“土耳其机器人”众包工具，集广大网民的力量手工标注获得图像对应的标签。

1、依赖于广泛使用的编程语言Java。2、可专门用于处理大型文本集合。3、Canova向量化各种文件形式和数据类型。4、集合了Cuda内核，支持CPU和分布式GPU。

1、采用Lua语言2、很多实现索引、切片、移调的程序。3、快速、高效的GPU支持。4、通过LuaJIT的C接口。5、可嵌入、移植到iOS、Android和FPGA的后台。

1、与NumPy紧密相关2、透明地使用GPU3、高效符号分化4、速度和稳定性的优化5、动态生成C代码6、广泛的单元测试和自我验证