用反褶积可视化神经网络和自动编码器的区别是什么？

Question

我看了一下泽勒·(arxiv/pdf)的论文，以及他在youtube上演讲的一些视频，当时我正试图用tensorflow复制这篇文章，我偶然发现了一种叫做自动编码器的东西，它的程序看起来(无论是对还是外部的)都很相似，比如：

在泽勒的论文中：

1. 转换输入。
2. 把它传过去。
3. 执行池操作。
4. ..。对所有层进行冲洗和重复，完成后，将过程反转回像素空间，

在自动编码器中：

将其与我在github (github python文件)上看到的自动编码器进行比较，可以这样做：

1. 转换输入，
2. 把它传过去
3. 执行池
4. ...rinse和重复其他层，并做反向的像素空间。

因此，要对conv网使用tensorflow所做的工作进行可视化，代码与这个自动编码器有什么不同？我被困在试图弄清楚给定一组训练数据和经过训练的convnet时，我会像论文中提到的那样，将图像所具有的或没有的东西可视化，以引起激活。(其中一位作者在这个(clarifai.com NSFW)上写了一个博客，展示了他们的技术，论文的技术是用caffe在开源代码(深度)中复制的，但我对caffe并不熟悉，对tensorflow来说也是新手)。这是怎么做的？

Answer 1

可能不是完全的比较，但是

• 泽勒的devonv网通过记住哪个像素是下采样( max池)步骤中的最大像素来进行上采样。有不同的方法来做这个抽样。潜在的卷积自动编码器可以定义一个conv2d_transpose层，它与conv2d正好相反，但可以在训练期间学习参数。这样的图层看起来比只记录泽勒方法中的最大像素位置更灵活(即更多的参数)。
• 要加进去。