深度学习（正向传播即分类，反向传播即生成）：
1、经过训练后每一层都会逐步提取图像的更高层次特征，直到最后一层基本上决定图像显示的内容。
2、特征变化趋势：边缘和拐角（轮廓） => 整体的特征（文理和笔触等） => 越来越多的复杂特征
deep_drean的整体思想：
- 输入任务无关的图片，通过网络提取特征，反向传播更新图片中的像素点（非新网络参数），不断迭代让网络越来越相信输入图片属于分类任务中的某一类。
- 网络不断更新图片像素来最大化L2范数，使得提取的特征越来越大，经过网络之后提取的特征更像网络希望提取的特征
- 本质上：一个梯度上升过程，试图最大化特定层激活的L2范数
deep_dream的训练技巧：
1、随机抖动偏移图像，产生噪声，加快训练
shift_x, shift_y = np.random.randint(-max_jitter, max_jitter + 1, 2)
img = np.roll(np.roll(img, shift_x, -1), shift_y, -2) # 数组沿着一个维度进行平移
2、规则化梯度上升步长的幅度
3、在多个尺度上应用上升
如何控制梦境？
即控制图片中出现的东西（调整优化的目标，将原始图像向另一张图像逼近，可以定义一个指向性的优化目标）：
step1：输入一张图片作为梦境的控制图片
step2：控制图片经网络前向传播得到特征向量t1，而原始图片也得到特征向量t2
step3：比较特征向量t1和t2，（1）将它们重新排列成新的矩阵，（2）做矩阵乘法，（3）选择矩阵乘法中最大的下标
step4：将step3中下标对应的原始图片的特征向量作为新的特征向量，这些特征向量被认为是最匹配控制图片特征向量的，
step5：done！实现控制梦境！
keras实现注意点：
1、预训练模型采用inception_v3，inception_v3中数据预处理是将像素点缩放到[-1, 1]（除以255，减去0.5，乘以2），deep_dream将最大化后的图片数组生成图片的时候，需要从[-1, 1]反向到[0, 255]（乘以2，加上0.5， 乘以255）
2、
-- 未完待续 --