1. 번역기를 생각한다면 각 데이터마다 input, output의 길이가 다른 작업도 필요하다. 2. feature간 독립성 때문에 지역적인 연관성을 고려하지 못한다. RNN 특징 및 단점 1. X, A, Y에 대한 매개변수 W 공유 2. Y 예측 시 X, X 정보만 사용. = 이전의 정보만 참조 가능

서로 다른 channel에 대하여 각 pixel 위치끼리 얼마나 비슷한지 correlated를 측정. - 왜???? 그렇다면 빨간색 filter가 detect하는 특징 : 수직, 노란색 filter가 detect하는 특징 : 주황색 정도 - 수직인 경향이 강하게 보일수록 주황색인 경향이 크게 보인다고 해석. 즉 기존 content의 style의 상관관계를 통해 style을 분석. - 어떤 패턴이 같이 등장하는지, 같이 등장하지 않는 경향을 표현 - 이후 생성된 이미지의 style의 상관관계를 통해 두 이미지의 style을 비교.

**중요 : 전체 cost function 중에 content cost function을 다루는 중** pick one layer l, 생성된 이미지와 기존 이미지를 통과시켰을 때의 결과를 비교하여 gradient를 계산. - 그렇다면 update는 모든 layer에서 일어나나? 그런 것 같다. - 최종 output layer에 대한 결과로 loss를 측정하는 것이 아닌 중간 특정 layer에 대해 Loss를 측정함으로써 C와 비슷한 이미지 G를 생성하도록 조정할 수 있지만 또 완벽한 C가 될 순 없도록 한다.

Neural Style Transfer 모델 학습은 어떻게 시킬까?