风格转换：

A网络是生成网络，B网络是用来计算损失函数的（B网络是现成的用的别人的网络，vgg，就是用来提取特征，计算损失的。用vgg_net能很好提取到它的特征。），A每生成一次都能根据B提取的特征计算一次误差，用这误差去优化A网络。训练完成之后，就不需要B了，就能直接用A网络生成y_hat，完成风格转换。

当中的5用的是残差网络，他在第一层和第三层之间加了一个X链接，当网络优化得到的w1和w2效果不好时，这样网络就能学到，w1=0，w2=0，相当于不要这两层，直接通过X往后传。模型效果永远不会比原来差，总是朝着最好的方向在进化，这样模型的层数越深模型的效果越好。

Content是8万张各种各样的生活中的图片，然后把他们做一个融合。上面下面两种误差可以分别给一个误差的权重。

在算一个epoch里面有多少个batch size的时候，直接吧余数给去掉，就相当于只是丢掉了很小一部分训练数据而已。方便了编程。