cs231n_2018_lecture13_notes_可视化

对神经网络的可视化可以帮助我们理解“网络在做什么？提取的是什么特征？”等一系列关于网络工作的本质问题。结合代码测试，观察效果可能来理解更好，留坑目前还没做理解，此处就只列下目录了。

---

一、第一层的可视化

即将第一层滤波器根据它的权重值可视。

二、最后一层的可视化

在最后一层一般维度会很大，比如2048、4096数量级，使用Nearest Neighbors方法或者Dimensionality Reduction方法（比如PCA、t-SNE）可视化。

三、Visualizing Activating

Maximally Activating Patches

四、Which pixels matter: Saliency vs Occlusion

五、Visualizing CNN features

(guided) backprop 、

Gradient ascent  :可以这样理解？在固定网络和损失函数时，给出一张全零的“白纸”，根据梯度更新图像像素而非网络参数，最小化损失得到一幅新的可以代表网络特征的图像？

为了满足一个模型而生成一幅图像，也是Fooling Images/Adversarial Examples的思想（例如GAN）。先生成一幅初始图像，更新图像去满足某个得分函数，一直重复这个过程直到网络认为这幅图像满足了这类得分函数。

下面几个结果也都是生成图像：

六、DeepDream: Amplify existing features

七、Feature Inversion

八、Texture Synthesis

九、Neural Style Transfer