【Pytorch】Visualization of Feature Maps（5）——Deep Dream

最新推荐文章于 2025-03-27 17:40:00 发布

原创

最新推荐文章于 2025-03-27 17:40:00 发布 · 1.4k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python #Deep Dream

本文主要介绍了使用PyTorch实现Deep Dream的相关内容。阐述了其原理，与Maximize Filter有相似之处，通过迭代指定层输出的负l2范数改变输入图片。还介绍了VGG模型结构，给出完整代码和输出结果，进行了消融实验，并对torch.norm()函数进行了详细解释。

在这里插入图片描述

学习参考来自：

PyTorch实现Deep Dream
https://github.com/duc0/deep-dream-in-pytorch

1 原理

其实 Deep Dream大致的原理和【Pytorch】Visualization of Feature Maps（1）—— Maximize Filter 是有些相似的，前者希望整个 layer 的激活值都很大，而后者是希望某个 layer 中的某个 filter 的激活值最大。

在这里插入图片描述

这个图画的很好，递归只画了一层，下面来个三层的例子

在这里插入图片描述
CNN 处（def deepDream），指定网络的某一层，固定网络权重，开启输入图片的梯度，迭代指定层输出的负l2范数（相当于最大化该层激活），以改变输入图片。

loss = -out.norm() # 让负的变小, 正的变大

核心代码，loss 为指定特征图输出的二范数的负值，相当于放大了响应，负数负的更多，正数正的更多，二范数才越大，损失才越小

2 VGG 模型结构

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3<

最低0.47元/天解锁文章