【转】关于deep dream 的论文的笔记

最新推荐文章于 2022-08-22 21:58:57 发布

aidazheng

最新推荐文章于 2022-08-22 21:58:57 发布

阅读量1.3k

点赞数

分类专栏：学习资料

学习资料专栏收录该内容

10 篇文章 0 订阅

订阅专栏

博客地址在这里：http://blog.csdn.net/elaine_bao/article/details/50502929

这位博主还就斯坦福的深度学习课程做了笔记：http://blog.csdn.net/elaine_bao/article/details/50511419

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

aidazheng

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

人工智能的梦境 - deep dream

罗一的仓库训练室

08-16

2549

罗一译自：Inceptionism: Going Deeper into Neural Networks （需要科学上网姿势） github地址：https://github.com/luofanghao/deepdream 画廊地址：inceptionism gallery密集恐惧症慎点喔！写在前面这篇文章不是完全的翻译，又做一些个人的理解和删减，感谢提意见。如果想看原文，请点上面的链接。AB

DeepWalk 论文笔记

逆流的金鱼

03-23

1万+

DeepWalk 论文笔记针对论文[1]的阅读撰写阅读笔记。这篇论文主要提出了在一个网络中，学习节点隐表达的方法——DeepWalk，这个方法在一个连续向量空间中对节点的社会关系进行编码，是语言模型和无监督学习从单词序列到图上的一个扩展。该方法将截断游走的序列当成句子进行学习。该方法具有可扩展，可并行化的特点，可以用来做网络分类和异常点检测。

参与评论您还未登录，请先登录后发表或查看评论

Deep dream——《Going Deeper into Neural Networks》

老笨妞

03-30

2166

deep dream的体验和以往看论文，跑例子的过程完全不同。这是在跑“风格迁移”的例子时，在keras的examples中无意看到了程序，然后顺带跑一跑的。跑出来的效果让我觉得和无厘头，于是读程序，看它到底干了些啥。程序风格也很特别，没有和通常训练过程一般的迭代方式，又很好奇，处于什么目的做这个呢，于是，看了论文。看了论文，简直对写论文的人佩服的五体投地。整个过程笨妞的情绪就是一条“低开高走”的...

Deep Dream and Neural Style

meanme的专栏

03-07

1269

Neural Style：通过优化三个loss：（1）style loss：主要是优化base image和style reference image之间的L2 距离（优化多个conv层的feature maps）（2）content loss：主要优化base image 和 combination image之间的L2距离（主要优化一层的feature maps）（3）total

MIML系列(二)：Deep MIML Network及代码介绍

weixin_43436958的博客

04-12

2098

深度MIML网络结合论文和代码来给大家详细介绍一下这篇论文摘要在许多实际的应用程序中，相关对象具有多个标签，并且可以表示为一个实例包，多实例多标签(MIML)学习为处理这类任务提供了一个框架，并在各个领域都表现出了良好的性能,在MIML设置中，实例的特征表示通常对最终性能有很大的影响;受近年来深度学习研究的启发，本文提出了一种利用深度神经网络生成MIML实例表示的深度MIML网络。深度...

Deep Dream 初体验 - 神经网络模型眼中的世界

ziyubiti的专栏

09-28

1059

见个人博客： https://ziyubiti.github.io/2016/09/08/deepdreamintro/

DeepAR论文笔记

楚江客的记录

07-15

1152

1. what is motivation？研究动机在近年来，时间序列预测出现新局面：海量（上千甚至是上百万）相关时间序列的预测。例如，预测城市中每户居民的用电量，大型零售商所有商品的销量等。在上述所有场景中，可以使用那些过去相似、或相关的时间序列来对单个时间序列进行建模预测。这样做的优势是：可以拟合复杂模型而不产生过拟合，免去传统机器学习中所必须的大量人工特征制作的过程。 2. What is the problem the paper wants to solve？论文想要解决的问题是什么？海量（

Deep Learning for Computer Vision 课程笔记

qq_34929889的博客

05-19

904

Deep Learning for Computer Vision 课程笔记–Lecture 1 计算机视觉(Computer Vision)和机器学习(Machine Learning)都属于人工智能(Artificial Intelligence)。深度学习(Deep Learning)是机器学习的一个子集，它与计算机视觉相交，并属于更大的AI领域。 CV和DL的背景计算机视觉的历史是从60年代初开始的，Block World 是由Larry Roberts出版的一部作品，被广泛地称为计算机视觉的第一

【CS231n】斯坦福大学李飞飞视觉识别课程笔记

种树最好的时间是10年前，其次是现在！！！

04-06

1万+

最近开了一个新坑——【CS231n】斯坦福大学李飞飞视觉识别课程，准备认真学习并记录自己的学习历程。由官方授权的CS231n课程笔记翻译知乎专栏——智能单元，比较详细地翻译了课程笔记，我这里就是参考和总结。【CS231n】斯坦福大学李飞飞视觉识别课程笔记（一）：Python Numpy教程(1) 【CS231n】斯坦福大学李飞飞视觉识别课程笔记（二）：Python Numpy教程(2)...

计算机视觉论文阅读一：谷歌SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFS

乱七八糟的笔记

04-10

592

首先，文章原址：https://arxiv.org/pdf/1412.7062.pdf 这篇文章是在DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs的前版本，deeplab很多思想都是本篇文章的扩写，毕竟同一群人的后续工作。本...

[深度学习论文笔记][Neural Arts] Inceptionism: Going Deeper into Neural Networks

Hao_Zhang_Vision的博客

10-31

1185

Mordvintsev, Alexander, Christopher Olah, and Mike Tyka. “Inceptionism: Going deeper into neural networks.” Google Research Blog. Retrieved June 20 (2015). (Citations: 36). 1 Motivation Each lay

论文笔记-A Survey on Session-based Recommender Systems

仰望星空的博客

05-15

4424

【深度学习】谷歌deepdream原理及tensorflow实现

无名山丘，崛起成峰

09-07

2万+

什么是DeepDream？ DeepDream是谷歌发布的对卷积神经网络（CNN）进行可视化的方法，当然它的用途不仅限于此，我们可以通过它让机器“做梦”，以下是一些效果：可以看到计算机将自然图像的一些特征放大，生成了它想想中的一些物体。利用这个特点还可以生成一些从未有过的物体： DeepDream的原理卷积神经网络由于其从理论上难以解释，一直被很多学者诟病。在2013年

谷歌Deep Dream解析（附源代码，可以直接运行）

最新发布

07-03

### 回答1： DeepDream是一种基于卷积神经网络（CNN）的图像生成算法，它通过最大限度地放大和突出图像中的纹理和模式来创建视觉上令人印象深刻的效果。 DeepDream实验最初由谷歌的工程师团队开发，目的是通过调整神经网络的内部表征来探索CNN的视觉感知能力。该算法通过多次沿着梯度逆向传播过程，将原始图像输入网络并反向增加网络的激活，使网络将注意力更多地放在它认为重要的特征上。经过多次迭代，图像逐渐被改造为充满了独特纹理和特征的幻觉般的形象。通过DeepDream实验，我们可以发现神经网络在图像识别中使用的内部表征。例如，当我们输入一张狗的照片时，DeepDream会突出给定图像中与狗相关的纹理和特征，例如狗的眼睛、耳朵和毛发。但是，DeepDream不仅仅适用于狗的图像，它可以用于任何图像，从风景照片到抽象艺术作品。 DeepDream实验展示了深度学习算法的创造力和潜力。它不仅仅用于图像生成，还可以用于图像增强和创意艺术。DeepDream的效果被广泛运用在电影、音乐视频和艺术展览中，给人们带来了视觉上的震撼和惊喜。总的来说，DeepDream实验是一种利用神经网络调整图像表征的方法，通过突出图像的纹理和特征来产生视觉上令人印象深刻的效果。它展示了深度学习的创造力和潜力，并广泛应用于艺术和视觉媒体领域。 ### 回答2： DeepDream是一种基于人工智能的图像处理技术。该技术利用神经网络来识别和分析图像中的不同特征，并将这些特征通过算法进行处理，生成独特的图像效果。 DeepDream的实验过程可以大致分为以下几个步骤：首先，选择一张输入图像，这可以是一张普通的照片或图画；然后，通过一个已经训练好的卷积神经网络对输入图像进行多次迭代处理，来寻找图像中的模式和特征；接下来，将网络中的某些特定层运用到输入图像上，运用梯度上升算法来放大并强调这些特征；最后，将处理后的图像输出，并通过重复这一过程来不断改进结果。 DeepDream实验的独特之处在于，它不仅仅是一种图像处理技术，更是一种艺术创作的工具。通过对图像的重复处理与调整，DeepDream可以生成奇幻、幻觉般的图像效果，不仅仅是图像的艺术变现，还可以通过这一过程来探索和观察神经网络的工作方式和特性。此外，DeepDream实验还可以应用于图像识别的改进和优化。通过这一技术，可以发现并加强神经网络对图像中的细节和特征的关注，从而提高图像识别的准确率和精度。同时，在医学图像分析、视觉艺术、图像生成等领域也有广泛的应用。总的来说，DeepDream实验是一种将人工智能与图像处理相结合的创新技术，具有独特的艺术创作和图像识别优化的应用潜力。 ### 回答3： Deepdream是一种基于人工智能技术的图像生成实验，它源自Google开发的深度学习算法。Deepdream通过对现有图像进行多次重复改造，创造出一种另类的图像效果，以探索并揭示神经网络的工作方式。 Deepdream实验首先需要选择一个输入图像，可以是任何一张照片或图片。然后，通过预训练的神经网络模型，将这张图像输入到算法中。算法会对图像进行分析，并逐步改变图像的像素值，以便在图像中寻找和增强神经网络最敏感的特征。在Deepdream实验中，会对图像进行多次迭代，每次迭代都会对图像进行微小调整。通过调整图像的像素值，使其与最敏感的神经网络特征更相似。经过多次迭代，图像中原本存在的部分特征会被放大和强调，最终生成出一幅视觉上令人难以置信的图像。这种实验的结果往往呈现出千奇百怪的特效，令人惊叹不已。它可以使普通的图像转变成充满幻想和艺术感的作品。通过Deepdream实验，我们可以更好地理解和观察神经网络的工作方式，探索其内部所学到的知识，同时也能够激发创造力，提供一个新的艺术表现形式。总而言之，Deepdream实验是一种利用深度学习算法对图像进行改造和增强的创新实践。它不仅能够改变图像的外观，还能够揭示出神经网络的内在特征，为我们了解和探索人工智能提供了更加直观和生动的方式。