CNN的隐层可视化

最新推荐文章于 2022-08-21 11:33:19 发布

原创

最新推荐文章于 2022-08-21 11:33:19 发布 · 3.6k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#可视化 #CNN #转置卷积 #反卷积 #神经网络

本文探讨了如何使用反卷积技术可视化卷积神经网络（CNN）的隐藏层，介绍了转置卷积、ReLU反向计算、Pooling反向计算等方法，并通过靠谱验证表明这种可视化方式的有效性。此外，还提及其他可视化方法如近似估计和orig-deconv，以加深对CNN的理解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

　　CNN的隐层到底是什么样子的？本博文主要讲解zerler提出的一种反卷积的技术，来可视化隐层内容。

反卷积

　　直接显示隐层值是不可观察的，如果能够反向映射到输入的像素空间内，岂不是很好，就可以从人的认识层面来可视化隐层的内容了。多么聪明地想法，剩下的问题就是如何由隐层反向计算到输入层。

转置卷积

　　将filter-bank直接转置，对feature-map做卷积计算，得到输入。
　　注意：这里不是卷积的逆操作，而只是做个转置，再计算卷积而已。不能重构出真实输入值。
　　举例：
　　　正向计算： $[64 \times 64 \times 3] \xrightarrow[4 \times 5 \times3 \times 100]{卷积} [64 \times 64 \times 100]$
　　　filter-bank