CNNs 可视化

CNNs 可视化

让我们看一个 CNN 的例子，了解它如何运作。

我们看到的训练 ImageNet 的 CNN 例子，来自 Zeiler 和 Fergus 的论文 。在下图中（同样取自此论文），我们会看到网络中的每一层侦测到什么，看到每一层如何侦测更复杂的概念。

第一层

网络第一层被激活的样例。有简单的对角线（左上）和绿色色块（中下）。

图片来自 Matthew Zeiler 和 Rob Fergus 的 deep visualization toolbox，让我们可以可视化地看到 CNN 每一层的关注的点是什么。

上述格子中的每一个图片都代表一个激活神经元的图案。换句话说，这些是第一层认出的图案。左上角的图有一条-45度的直线，上方中间的图有一个+45度的直线。如下所示：

可以看到第一层识别出的-45度的直线

CNN 的第一层还识别除了+45度的直线

让我们看下引发这些示例图片的图片。下面的图都引发了 -45 度的直线，尽管他们有不同的颜色，渐变和图案。

在第一层引发 -45 度直线的原图。

所以 CNN 的第一层很清楚的选择了非常简单的形状、图案，例如直线和色块。

第二层

CNN 第二层的可视化。可以发现它注意到更复杂的概念例如圈，条纹。左边的图表示这一次 CNN 的激活状况（或者说它“看到”了什么），右边是引起这些状况的原始图片。

CNN 的第二层捕捉了一些复杂的概念。

如上图所示，CNN 的第二层认出了圈（第二行第二栏），条纹（第一行第二栏）和长方形（右下角）。

CNN 是自己学着做这些事情的。 我们并没有设定让更深的网络层聚焦于更复杂的事物上。只要把训练数据输入 CNN，自然就会发生这样的事情。

第三层

CNN 第三层的可视化图。左边的网格表示 CNN 的激活（或者说它“看到”了什么）。右边是相对应的原始图片。

第三层捕捉了第二层特征的复杂组合。包括格子，蜂窝状（左上），轮子（第二行第二列）甚至脸（第三行第三列）。

第五层

CNN 第五层，也是最后一层的可视化。左边的灰色网格表示 CNN 的激活（或者说它“看到”了什么）。右边是相对应的原始图片。

我们跳过了第四层（这一层同样遵循这个规律），直接跳到 CNN 的第五层，也是最后一层。

最后一层选取了我们最关心的，可用作分类的概念，例如狗的脸，鸟的脸，自行车。