校招公司；神经网络P图上色；K近邻；K聚类；

1、Microsoft VS code 开发集成环境，优于VS

2、Floydhub 深度学习云平台

3、神经网络P图http://new.qq.com/omn/20180413/20180413A0TPBJ.html

用VGG搭建twopass算法

1. 预处理 剪切粘贴
2. one-pass　大致调整外来元素的色彩和质地，和画中语义相似的部分对应。要在神经网络的每一层，分别找到相邻最近的神经补丁，和粘贴部分的神经元响应匹配起来；　用Gram矩阵来计算风格重建损失
3. two-pass  高品质细化 (多尺度)  在负责捕捉质地属性的中间层集中火力，生成一个对应关系图 (correspondence map) ，来剔除空间异常值 (spatial outliers)。对拥有空间一致性的对应图进行上采样 (upsample) ，进入神经网络更加精细的层次里
4. post-perocess 1 面对高频失真的现象，主要作用在色度通道，对亮度并没有太大影响。转换为CIlab，，用lab做向导，滤波ab通道。
5. post-process  2 PatchMatch给每一个补丁找到相似的补丁。再为所有画风重叠的补丁取平均值？？？

   以此重构output，就可以保证画面里不要生出新的内容。不过，这里的副作用是会柔化细节，于是又要请出Guided Filter把图像分成底层 (Base Layer) 和细节层 (Detail Layer) ，来削弱柔化效果

4神经网络上色 https://baijia.baidu.com/s?id=158274693984968373

alpha版本（一个常规的网络，只是做了颜色通道的变化）（没有泛化能力）

1. 用算法来改变颜色通道，从 RGB 到 Lab目的是从f（gray）=g（RGB） 一个输入三个输出   转换到 f（gray）=g（AB）   以灰度图作为亮度信息，一个输入两个输出
2. 我们需要在相同的区间将预测值和真实值建立映射，从而将值进行比较。区间的范围在-1 到 1 之间。为了映射预测值，我们使用了 tanh 激活函数。tanh 函数的任意输入的输出值都在-1 到 1 之间。

3. 真实的颜色值分布在-128 到 128 的区间内。这是 Lab 色彩空间的默认区间。用 128 除这些值就能获得-1 到 1 的区间分布。这种「标准化」操作使我们能比较预测的误差。

4. 我们对所有的位于-1 到 1 范围内输出乘上 128，从而得到 Lab 色彩空间的真实颜色。再加上会度层，可得到预测结果

beta版本（增加以上Alpha版本）  没看懂！！！

感知器K近邻 K聚类算法   https://mp.weixin.qq.com/s/UltBigoduH76vs_pmLUOVQ