用神经网络绘制一幅图像(也就是谷歌的不确定主义)，使用诺尔温\千层面

Question

也许很多人已经看过谷歌研究的这篇文章：

http://googleresearch.blogspot.ru/2015/06/inceptionism-going-deeper-into-neural.html

它描述了谷歌团队是如何制作神经网络来实际绘制图片的，就像一个人造艺术家:)

我想做一些类似的事情，只是为了看看它是如何工作的，也许将来可以用它来更好地理解是什么使我的网络失败。问题是--如何用诺尔本？？千层面(也许是比目鱼--)来实现它，这也是可行的，但我更喜欢诺尔学习。

更确切地说，Google的人已经用某种架构训练了ANN来对图像进行分类(例如，对照片上的鱼进行分类)。好吧，假设我在诺尔学习里建造了一个安，有一些建筑，我也受过一定程度的训练。但是..。接下来该怎么办？我从他们的文章里听不到。他们似乎不只是想象一些特定层次的权重。在我看来(也许我错了)他们做了两件事中的一件：

1)向训练后的网络提供一些现有的图像或纯粹的随机噪声，并可视化其中一个神经元层的激活。但是-看起来这不是完全正确的，因为如果他们使用卷积神经网络，层次的维数可能会低于原始图像的维数。

( 2)或者他们将随机噪声反馈给受过训练的人工神经网络，从中间层获取中间输出，并将其反馈到网络中--得到某种循环，检查神经网络层在随机噪声中可能存在的是什么。但是，我可能又错了，因为与#1中的维度问题相同。

所以..。对此有什么想法吗？我们怎样才能像谷歌( Google )在原始文章中所做的那样，使用诺尔学习或吡咯烷酮进行类似的工作呢？

Answer 1

从他们在github上的ipython笔记本

制作“梦”图像是非常简单的。本质上，它只是一个梯度上升过程，试图使特定DNN层激活的L2范数最大化。下面是一些简单的技巧，我们发现这些技巧对于获取好的图像很有用：

• 随机抖动偏移图像
• 归一化梯度的大小
• 提升步骤跨越多个尺度(八度)进行提升。

Answer 2

这是使用卷积神经网络完成的，这是正确的，激活的尺寸将比原始图像小，但这不是一个问题。

您可以通过前向/后向传播的迭代来更改图像，这正是您通常训练网络的方式。在向前传球时，你只需要走到你想要处理的特定图层。然后，在反向传递时，您将返回到网络的输入，而不是权重。

因此，与其找出相对于损失函数的权重梯度，不如找出输入的梯度，与某个活动集合的l2归一化有关。