1.一种基于生成式对抗网络的图像风格迁移方法，包括以下步骤：步骤1，生成随机输入：通过对常见概率分布进行采样，得到随机输入矢量z∈Rd；

步骤2，构建生成网络：构建生成网络G(.):Rd→RWxHxC，其中，W，H和C分别表示生成图像G(z)的宽、高和通道数量；

步骤3，构建判别网络：分别构建风格判别网络Dsty和内容判别网络Dcont，其中，风格判别网络Dsty的输入为风格图像xsty或者生成器输出的图像G(z)，内容判别网络Dcont的输入为内容图像xcont或者G(z)；风格判别网络Dsty和内容判别网络Dcont的输出均为布尔值，即，当判别网络认为输入图像来自真实图像xsty或xcont时，输出1，反之输出0；

步骤4，输入风格图像和内容图像：向风格判别网络Dsty输入任意尺寸的风格图像xsty，进行裁剪和图像去均值预处理；向内容判别网络Dcont输入任意尺寸的内容图像xcont并进行去均值处理；

步骤5，风格和内容的表征学习：利用自编码器的思想分别最小化基于风格和基于内容的重构误差，从而学习风格和内容的有效表征；

5.1依式(1)度量层内特征图之间的相关性，从而获得输入图像的风格表征：其中，hlik和hljk分别表示第l层第i和j个特征图中位置k处神经元的激活值；

5.2依式(2)计算基于风格的重构误差：

其中，wl表示第l层的权重，用于反映第l层重构误差在总重构误差中的比重；

S(G(z))表示生成图像G(z)的风格表示，S(xsty)表示风格图像xsty的风格表示；

5.3依式(3)计算基于内容的重构误差，也即，像素距离：步骤6，对抗训练：风格判别网络Dsty和内容判别网络Dcont分别与生成网络G进行二元零和博弈，即，生成网络G尽可能生成逼真的图像，而风格判别网络Dsty和内容判别网络Dcont分别从风格角度和内容角度准确区分真实图像和生成图像；为了在博弈中胜出，生成网络与判别网络需不断提高各自的生成能力和判别能力，训练的过程实际上是寻找二者的纳什均衡；

6.1依式(4)计算生成网络的对抗损失：

LG_adv＝-∑λ1log(Dsty(G(z)))+λ2log(Dcon(G(z)))   (4)

6.2依式(5)计算判别网络的对抗损失：

其中，第一项和第二项分别表示风格判别网络Dsty和内容判别网络Dcont的对抗损失函数，每项中的前半部分表示判别器尽量使自己对真实图片xsty和xcont输出1，后半部分表示尽量对生成图片输出0，从而使得区分图片来源的准确率尽可能高；λ1和λ2分别表示基于风格的对抗网络与基于内容的对抗网络的权重；

步骤7，输出合成图像：

7.1依式(6)计算图像风格迁移的总损失函数：

L＝λstyLsty+λcontLcont+λadvLG_adv   (6)其中，λsty，λcont和λadv分别表示基于风格、内容和对抗训练的损失函数在总损失函数中的权重；

7.2依式(7)计算对图片进行更新：

其中，λ是随机梯度下降的步长。