本文基于《Understanding Neural Networks Through Deep Visualization》论文，探讨如何通过软件直观理解神经元对图像的响应。文章介绍了不同正则化方法，如L2正则化、弱正则化和新提出的正则化策略，以改善重构图像的可解释性和自然性，减少极端像素值和不自然结构。
此篇主要总结一下《Understanding Neural Networks Through Deep Visualization》这篇论文
https://www.youtube.com/watch?v=AgkfIQ4IGaM介绍视频
这篇论文主要有以下两个贡献：
- 开发了一个软件，可以使得人们看到每个神经元对用户提供图片或视频的反实时应。
左上角为输入的图片或视频，左中为任意一个神经元的激活值图片，左下为从此神经元所在层开始的Deconv图片，右上为应用带惩罚项的梯度优化方法得到的九张图
右中为训练集中导致所选神经元激活值最高的9幅图。右下为上述九幅图作为输入时的deconv图。
2.为了使得重建的图片可解释性更好，更自然，作者提出4中正则化方式，将其结合起来最终得到了效果最好的重建图片。
不用正则项
首先随机为每一个像素赋值，得到一个随机图片，前向传播算出对于网络中某个神经元i的激活值ai(x),然后，反向传播计算该激活值对于之前所有激活值的梯度（即设它梯度为1，然后执行反向传播），最后得到
最低0.47元/天 解锁文章
扫一扫
27万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
