TensorFlow深度学习实战——DeepDream

0. 前言

DeepDream 利用训练完成的深度卷积神经网络，仅需要优化模型卷积层某个通道的激活值即可生成令人印象深刻的图像。本节首先介绍了 DeepDream 的基本原理，并使用 TensorFlow 实现了 DeepDream 生成模型，不仅能够生成富有艺术感的图像，同时加深对卷积神经网络的背后运行机制的理解。

1. DeepDream 技术原理

假设我们想知道神经网络中间的卷积层究竟学到了什么，只需要最大化卷积层某一通道的输出，由于在大多数卷积层中都包含多个通道，因此卷积的一个通道就可以代表一种学习到的“信息”。以某个通道的值作为优化目标，就可以明白这个通道究竟学习到了什么，这也就是 DeepDream 的基本原理。
我们通过预训练的模型传递图像，并使用我们希望获得激活的神经网络层。神经网络会调整输入像素值，直到令所选网络层的激活值最大。同时，我们还需要确保激活的最大值不超过设定的阈值，因为我们不希望生成的图像与原始图像有巨大差异。
简单而言，DeepDream 使用卷积神经网络 (Convolutional Neural Network, CNN) 发现和增强图像中的模式，得到的结果是梦幻般的幻觉效果。使用预训练网络来提取特征，增强图像中的模式，这意味着我们需要最大化网络的激活值