神经风格迁移并不是真正的机器学习，而是机器学习在图像任务上的一个有趣的副作用/输出。当使用预训练模型执行神经风格迁移时，已经发生了大量的监督机器学习来实现它。

风格迁移算法仍然是基于梯度的成本函数优化的一个例子，它与许多监督和非监督学习算法共享。

风格迁移的输出部分是对网络在其训练过的问题域中对不同层次结构的了解的探索。然而，它的主要用途是为艺术和娱乐生成具有改变/混合美学的图像。

神经风格迁移是卷积神经网络的一部分，但不是机器学习的一部分。我们定义监督学习和无监督学习的方式似乎是机器学习的一部分，但事实并非如此，监督学习只是我们关注所需输出的天气，而在无监督学习的情况下，我们并不真正关注任何预定义的输出.

因此，类似地，在神经迁移学习的情况下，我们不关注任何预定义的输出，而不仅仅是获得两个图像的修改版本。所以这不是监督学习的情况