卷积神经网络的可视化

最新推荐文章于 2025-05-23 19:26:16 发布

原创

最新推荐文章于 2025-05-23 19:26:16 发布 · 9.7k 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #可视化 #深度学习

本文探讨了如何利用反卷积实现卷积神经网络（ConvNets）的特征可视化，包括反池化、反激活和反卷积过程，以及如何理解这些可视化结果，展示CNN在学习过程中的特征演变和敏感性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

t-SNE（数据降维）可视化技术（给她一个高维数据，根据数据的结构和关系自动进行内聚）
ConvNets逐渐的将不同的图片分类，我们可以将不同的图片嵌入到二维的空间，这样相似的图片就会在一起.有很多嵌入的方法，t-SNE 是很有名的一个。我们可以从ConvNet中抽取cnn codes（例如在AlexNet中是分离器前的4096维向量）代入 t-SNE 得到了二维分布的图片，图片间的距离也可以表现出在ConvNet中认为他们是否相似，下图就是一例，越近的图片在ConvNet的眼里他们长的越像。
这里写图片描述

相应的还有PCA（主成分分析）降维技术。

一、利用反卷积实现特征可视化

    理解卷积神经网络的工作原理，就需要理解CNN在每一层到底学到了什么点东西。为了理解其中的每一层内容，我们可以将提取到的特征，利用反卷积的方式，进行可视化。反卷积网络可以看做是卷积网络的逆过程。
    反卷积可视化以各层得到的特征图作为输入，进行反卷积，得到反卷积结果，用以验证显示各层提取到的特征图。举个例子：假如你想要查看Alexnet 的conv5提取到了什么东西，我们就用conv5的特征图后面接一个反卷积网络，然后通过：反池化、反激活、反卷积，这样的一个过程，把本来一张13*13大小的特征图(conv5大小为13*13)，放大回去，最后得到一张与原始输入图片一样大小的图片(227*227)。
    反卷积网络是一个对称结构的网络。前半部分是池化，卷积过程，后半部分是反卷积，反池化过程。

1.反池化过程
池化是不可逆过程，但是我们在正向池化的过程记录最大激活值的坐标位置（采用Max Pooling）。