AI 風格化的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

行動裝置深度學習

為了解決AI 風格化的問題，作者李永會 這樣論述：

　　●對於iOS和Android兩個平台的神經網路實踐均詳細描述 　　●從結構到框架程式設計，從CPU到GPU程式設計皆一應俱全 　　●以程式碼實作為主線逐步講解，由淺入深，使讀者更容易應用到實際案例中   　　一直以來，由於技術門檻和硬體條件的限制，在行動端應用深度學習的成功案例並不多。傳統行動端UI工程師在編寫神經網路程式碼時，可以查閱的行動端深度學習資料也很少。而另一方面，時下的網際網路競爭又頗為激烈，率先將深度學習技術在行動端應用起來，可以取得先發制人的優勢。   　　行動端設備的運算能力比PC端弱很多。行動端的CPU要將功耗指標維持在很低的水準，這就使性能指標的提升帶來了限制。在

App中做神經網路運算，會使CPU的運算量驟增。如何協調好使用者功耗指標和性能指標就顯得非常重要。此外，App的檔案大小也是重大考驗，如果為了讓使用者體驗一個深度學習功能而要求其下載200MB甚至更大的模型檔，想必使用者是不會愉快接受的。這些都是行動端應用深度學習技術必須解決的問題。   　　本書由淺入深地介紹如何將深度學習技術應用到行動端運算領域，書中儘量避免羅列公式，嘗試用淺顯的語言和幾何圖形去解釋相關內容。本書第1章展示了在行動端應用深度學習技術的Demo，幫助讀者建立直觀的認識；第2章至第4章講解了如何在行動端專案中應用深度學習技術；第5章至第8章的難度較深，主要是說明如何深入地調整框

架並制定自己的框架。   　　本書適合行動端研發工程師閱讀，也適合所有對行動端運算領域感興趣的朋友閱讀。

AI 風格化進入發燒排行的影片

美髮頭皮管理整額醫美創新商業模式之研究

為了解決AI 風格化的問題，作者祝依蓓 這樣論述：

從1980年之後，因為台灣對外貿易的快速成長，除了國民所得提高之外，國外的美髮知識及流行時尚趨勢也開始進入臺灣，許多店家開始吸收這些新的資訊而漸漸與傳統的美髮店家有了區隔，越接近都市區人們對於品質的追求越是明顯，消費者已經注意到除了追求流行髮型，也需要照顧頭皮，頭皮不健康，衍生的掉髮或禿頭問題，都是令人所不喜歡。本研究要跳脫以往培育助理成為美髮設計師耗時冗長，低薪工時過長，年經人常常熬不到設計師就離開此行業。本研究就是探討該如何與醫美醫師及美髮工會創新商業合作，為了開創新的工作領域—頭皮養護師，同時取得icap課程培育頭皮養護師及證照。並可以解決美髮從業人員低薪和工時過長以及升遷不易的問題，

而企業主能得到優秀的專業頭皮養護師，也就會有穩定的客源，相對應收益流就會增加。

移動深度學習

為了解決AI 風格化的問題，作者李永會 這樣論述：

《移動深度學習》由淺入深地介紹了如何將深度學習技術應用到移動端運算領域，書中儘量避免羅列公式，嘗試用淺顯的語言和幾何圖形去解釋相關內容。本書第1章展示了在移動端應用深度學習技術的Demo，説明讀者建立直觀的認識；第2章至第4章講述了如何在移動端專案中應用深度學習技術；第5章至第8章的難度略大，主要講述如何深入地調整框架，適配並定制自己的框架。《移動深度學習》適合移動端研發工程師閱讀，也適合所有對移動端運算領域感興趣的朋友閱讀。   李永會 百度App移動研發部資深工程師。2015年起在百度從事圖像搜索和語音搜索用戶端研發工作，主持了多個重要創新項目，包括百度Lens、即時

翻譯等。同時負責開源移動端深度學習框架Paddle-Lite的開發，長期從事移動端AI高性能計算優化工作，在多種軟硬體平臺上高性能運行深度學習技術。在工作之余有讀史、書法等愛好。   第1章 初窺移動端深度學習技術的應用1 1.1本書示例代碼簡介1 1.1.1安裝編譯好的檔1 1.1.2在DemoApp中應用神經網路技術2 1.2移動端主體檢測和分類2 1.3線上上產品中以“雲+端計算”的方式應用深度學習技術4 1.4在移動端應用深度學習技術的業界案例6 1.4.1植物花卉識別6 1.4.2奇妙的風格化效果7 1.4.3視頻主體檢測技術在App中的應用7 1.5在移動端應用

深度學習技術的難點8 1.5.1在伺服器端和移動端應用深度學習技術的難點對比8 1.5.2實現AR即時翻譯功能9 1.6編譯運行深度學習App12 1.6.1mobile-deep-learning專案環境簡介12 1.6.2mobile-deep-learning專案整體代碼結構13 1.6.3mobile-deep-learning通用環境依賴14 1.7在iOS平臺上搭建深度學習框架15 1.7.1在iOS平臺上搭建mobile-deep-learning專案15 1.7.2在OSX平臺上編譯mobile-deep-learning專案16 1.7.3iOS平臺上mobile-deep-

learning專案的Demo代碼結構17 1.8在Android平臺上搭建深度學習框架18 1.8.1Android平臺上mobile-deep-learning專案的環境依賴18 1.8.2Android平臺上mobile-deep-learning專案的Demo代碼結構19 1.8.3用Paddle-Lite框架編譯與開發Android應用20 1.8.4開發一個基於移動端深度學習框架的AndroidApp22 第2章 以幾何方式理解線性代數基礎知識32 2.1線性代數基礎32 2.1.1標準平面直角坐標系32 2.1.2改變坐標系的基向量34 2.2向量的幾何意義35 2.2.1向量

的加減運算36 2.2.2向量的數乘運算37 2.3線性組合的幾何意義38 2.4線性空間40 2.5矩陣和變換41 2.6矩陣乘法43 2.7行列式46 2.8矩陣的逆48 2.9秩49 2.10零空間50 2.11點積和叉積的幾何表示與含義51 2.11.1點積的幾何意義51 2.11.2叉積的幾何意義52 2.12線性代數的特徵概念53 2.13抽象向量空間54 第3章 什麼是機器學習和卷積神經網路56 3.1移動端機器學習的全過程56 3.2預測過程57 3.3數學表達59 3.3.1預測過程涉及的數學公式59 3.3.2訓練過程涉及的數學公式60 3.4神經元和神經網路61 3.4

.1神經元61 3.4.2神經網路63 3.5卷積神經網路63 3.6圖像卷積效果65 3.6.1從全域瞭解視覺相關的神經網路65 3.6.2卷積核和矩陣乘法的關係66 3.6.3多通道卷積核的應用69 3.7卷積後的圖片效果70 3.8卷積相關的兩個重要概念：padding和stride75 3.8.1讓卷積核“出界”：padding75 3.8.2讓卷積核“跳躍”：stride75 3.9卷積後的降維操作：池化76 3.10卷積的重要性77 第4章 移動端常見網路結構78 4.1早期的卷積神經網路78 4.2AlexNet網路結構79 4.3GoogLeNet網路結構79 4.3.1模型

體積問題80 4.3.2計算量問題80 4.4嘗試在App中運行GoogLeNet81 4.4.1將32位float參數轉化為8位int參數以降低傳輸量82 4.4.2將CPU版本伺服器端框架移植到移動端83 4.4.3應用在產品中的效果84 4.5輕量化模型SqueezeNet85 4.5.1SqueezeNet的優化策略85 4.5.2fire模組86 4.5.3SqueezeNet的全域86 4.6輕量高性能的MobileNet88 4.6.1什麼是深度可分離卷積（DepthwiseSeparableConvolution）88 4.6.2MobileNetv1網路結構89 4.6.3M

obileNetv2網路結構91 4.7移動端神經網路模型的優化方向92 第5章 ARMCPU組成94 5.1現代電腦與ARMCPU架構的現狀94 5.1.1馮諾依曼電腦的基本結構94 5.1.2行動計算裝置的分工96 5.2簡單的CPU模型98 5.2.1取指過程98 5.2.2解碼過程99 5.2.3執行過程100 5.2.4回寫過程101 5.2.5細化分工：流水線技術102 5.3彙編指令初探102 5.3.1組合語言程式的**行102 5.3.2這些指令是什麼105 5.4彙編指令概況106 5.4.1ARMCPU家族106 5.4.2ARMv7-A處理器架構107 5.4.3AR

Mv7彙編指令介紹109 5.5ARM指令集架構111 5.6ARM手機晶片的現狀與格局113 第6章 存儲金字塔與ARM彙編115 6.1ARMCPU的完整結構115 6.2存放裝置的金字塔結構117 6.3ARM晶片的緩存設計原理119 6.3.1緩存的基本理解119 6.3.2簡單的緩存映射結構：直接映射121 6.3.3靈活高效的緩存結構：組相聯映射123 6.3.4利用一個簡單的公式優化訪存性能125 6.4ARM彙編知識126 6.4.1ARM彙編資料類型和寄存器127 6.4.2ARM指令集130 6.4.3ARM彙編的記憶體操作131 6.5NEON彙編指令133 6.5.1

NEON寄存器與指令類型134 6.5.2NEON存儲操作指令135 6.5.3NEON通用資料操作指令137 6.5.4NEON通用算術操作指令138 6.5.5NEON乘法指令139 6.5.6運用NEON指令計算矩陣乘法140 第7章 移動端CPU預測性能優化142 7.1工具及體積優化142 7.1.1工具使用143 7.1.2模型體積優化148 7.1.3深度學習庫檔體積優化149 7.2CPU高性能通用優化150 7.2.1編譯選項優化150 7.2.2記憶體性能和耗電量優化151 7.2.3迴圈展開153 7.2.4並行優化與流水線重排154 7.3卷積性能優化方式157 7.

3.1滑窗卷積和GEMM性能對比157 7.3.2基於Winograd演算法進行卷積性能優化160 7.3.3快速傅裡葉變換162 7.3.4卷積計算基本優化163 7.4開發問題與經驗總結164 第8章 移動端GPU程式設計及深度學習框架落地實踐166 8.1異構計算程式設計框架OpenCL166 8.1.1開發移動端GPU應用程式167 8.1.2OpenCL中的一些概念168 8.2移動端視覺搜索研發169 8.2.1初次探索移動端AI能力170 8.2.2取消拍照按鈕，提升視覺搜索體驗171 8.2.3使用深度學習技術提速視覺搜索172 8.2.4通過AI工程技術提升視覺搜索體驗17

4 8.3解決歷史問題：研發Paddle-Lite框架176 8.3.1體積壓縮178 8.3.2工程結構編碼前重新設計178 8.3.3視覺搜索的**形態：即時視頻流式搜索184  

結合光流估測及預測之即時影片風格轉換

為了解決AI 風格化的問題，作者吳定軒 這樣論述：

隨著元宇宙的興起，即時性的影片風格轉換越來越受到關注，其藉由內容影像與藝術圖片，合成出具有藝術圖片風格的內容影像。然而現今影片風格轉換方法在轉換的即時性及內容的時間一致上，仍然具有許多的問題。在風格化影片的內容時間一致上，由於未考慮輸入影片幀之間內容的關聯，常導致轉換出來的影片有嚴重的閃爍效果。雖然有研究使用光流估測網路及卷積長短記憶網路來進行時間一致性，卻會導致模型的參數量過多，運算速度過慢，導致無法即時生成影像。此外，如果實際用在即時的輸入當中，由於沒辦法像影片風格轉換一樣，先獲取整部影像的序列，間接導致光流估測網路無法估測出未來的光流。本文中在時間一致性的部分，我們的影片風格轉換模型採

用光流估測網路來實現時間一致性，大幅地減少使用卷積長短記憶網路所需的參數量。同時，考量到即時性的問題，我們提出了光流預測網路，使用卷積長短時間記憶網路設計了一個預測未來光流之架構。其僅靠單張輸入光流，就能獲得未來光流，並結合影片風格轉換的方法，改良成為即時影像風格轉換模型。通過實驗證明，本文的方法優於目前最先進的風格轉換方法，在即時化的同時，保證每幀風格化的結果保持轉換內容一致性，並在視覺上達到良好的效果。