除了编程，KK还做了一件更酷的事情，创立了“Kode with Klossy”，只是一家非盈利组织，旨在让更多年轻女性也能接触到编程，让有志在科技领域发展的年轻女性得到所需的技能。

　　Kloss在自己的YouTube和Instagram频道上呼吁13到18岁的年轻女性通过发视频和写文章的方式，说明自己为什么想学编程。最能说服她的几位将获得用于编程课的奖学金。短短几天内，克劳斯就收到了上千份材料，这些材料也成为了Kode with Klossy的基石。

　　Kloss还有个更大的愿景：收窄科技行业的“性别鸿沟”。她相信，自己不仅仅是在给年轻女性提供编程课，还是在向她们安利新科技的创造。

　　Kloss说，比起男性，女性能追随的榜样不多，因为科技行业的顶尖人才中女性数量极少。除非亲眼看到能成为自己榜样的女性，否则很难想象自己身处这个行业中是什么样子。Kloss的解决方案是，让更多人知道，编程不仅仅是宅男的专利。她说：“我不是看不起宅男，只是想告诉大家，编程这件事情任何人都能做。”

　　Kristen Stewart文章简述论述神经风格迁移在电影制作环境中的应用▼

　　基于短片中对神经风格迁移的应用，本周Kristen Stewart作为联合作者在康奈尔大学的在线研究数据库arXiv上发了一篇关于“风格迁移（style transfer）”的文章。

　　这篇仅有三页的短文名称为Bringing Impressionism to Life with Neural Style Transfer in Come Swim，事实上是一篇高水平的案例研究，探索了神经风格迁移在电影制作环境中的相关应用。描述了如何通过神经风格迁移将印象派风格带入到其新作品Come Swim中。

　　Quarz的一篇报道称，Come Swim的创作灵感最初就源自Stewart的一幅绘画。这篇文章阐述了斯图尔特自己在风格迁移方面的尝试，这是机器学习领域的一种颇为流行的应用方式，使用卷积神经网络实时对视频进行艺术风格转换。Stewart和她的制作团队使用这项技术把自己的印象派绘画风格重绘电影短片Come Swim》中的关键场景。

　　该文章的共同作者还包括该片制作方Starlight Studios的一名制作人和一名Adobe员工。

　　文章主要记述了神经网络的风格迁移记述在电影行业的应用。在传统的视觉特效行业中，卷积神经网络很少被使用到。并且，相比于实验室里的良好条件，在实际的工业应用上会有许多其他的需求，比如便捷地控制图像效果，合理的硬件资源需求和时间消耗。

　　进行风格的迁移，需要一个已经训练好的卷积神经网络模型。综合考虑了风格迁移的效果和时间资源的消耗，Kristen Stewart的电影使用的是VGG16模型。

　　为了得到更好的控制参数，Kristen Stewart团队进行了一系列的实验。比如为了得到迭代次数的一个良好的估计，他们把一张图片进行了充分的迭代，获得了一张风格转换的基线。然后调整算法的迭代次数，观察何时效果有较大的偏离，获得了迭代次数的一个可靠的范围。此外，向风格图片中添加一些纹理和颜色的遮挡，可以获得更丰富的显示效果。

　　此外，风格图片的质量对最后生成的图片也有重要的影响。下图左侧是使用手机拍摄的风格图片，右侧是更高质量的风格图片。发现高质量的风格图片极大地提高了结果图像的质量。

　　对于另一个参数，风格迁移率，也会对图片真实程度产生很大的影响。这个影响大体上是一个指数函数。