卷积可视化

图像卷积操作的应用没有严格的数学推导，即没有数学推导表明每一层究竟表示什么。

为了了解卷积神经网络中每一层与原有图像的对应关系，

文章Visualizing and Understanding Convolutional Networks通过反向卷积的方式实现了该过程。

文章中说反卷积，只是说卷积后的层c1利用卷积核的转置，得到上一层h1的结果。

那具体如何操作的呢？得到的h1与真实的上一层有什么关系呢？

这个问题得从卷积网络的反向传播过程说起，卷积网络的反向传播过程可以参考一个专栏：

http://blog.csdn.net/zy3381/article/details/44409535

从这个博客中我们可以看到，反向传播过程中，计算delta值采用的也是卷积过程，

只不过在h1层的上周围进行了填充而已，另外，这里用到的卷积核与正向传播时相比，

进行了180度的旋转。

——————————————————————————————————————————

这篇Visualizing and Understanding Convolutional Networks文章中filtering中采用的

反卷积采用的就是反向传播过程中计算delta值得方法。

至于为什么采用得到的delta值作为图像的可视化展示，从这个知乎问答中似乎能明白答案：

https://www.zhihu.com/question/48938627

：因为这样的反卷积过程类似于求feature对原图像的梯度，也就说凸显出哪些像素对某feature的

影响大，影响大像素组成的图案就是这个feature的可视化显示。

——————————————————————————————————————————