关于Visualizing and understanding convolutional networks的一次报告

最新推荐文章于 2021-10-26 20:48:05 发布
最新推荐文章于 2021-10-26 20:48:05 发布
阅读量357 收藏 1
点赞数
分类专栏： Deep Learning 深度学习 文章标签： cnn神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u010642383/article/details/78528911
版权

我就直接上传我做的ppt以及ppt的讲义吧，可能有些混乱，权当参考。如果有问题可以留言讨论。

好像只能有传资源的模式，如果没有积分可以直接私信我邮箱，我发给你。
ppt+讲义下载

关于这次报告陆陆续续也找了不少资料，但是还存在一点疑问：
究竟文字的deconv方法是在重构input（x）还是在求y对x的偏导？

有意思的地方是在cs课程里面，将deconv方法和bp的梯度进行了对比，如图：

这里写图片描述

我们可以看出deconv肯定不是bp的，他们的不同在于，a=f(z) 在进行梯度的时候反向乘以的是f'(z) 而deconv则是对传回来的梯度进行relu。课程中给出的解释是通过正激活，抑制负激活。

这里的正激活就是传回来的数值是正数，负激活是负数。 可是对于正激活和负激活的解释，我还有些疑惑。正导数好像只能说明梯度递增？为什么他能够代表着x激活了y？

而且进一步这里的对比是说明了deconv是对计算偏导的一种改进方法嘛？也就是说deconv也是在算怎样的x最大激活了y?
但是论文中不断地提到了reconstructions一词，而且可视化的结果也很像x中的某一块。

总的来说论文有很多我觉得没有说清楚的地方~也有可能是我没有看明白，但是这篇论文的学习可能就到此为止了。

下面给出一个code链接，是我觉得比较简单的，keras实现的。code参考

希望有大牛可以告知一下我的疑惑，谢谢了~~

yuwu94
关注
专栏目录
Visualizing and Understanding Convolutional Networks 译文（“看懂”卷积神经网络）
07-12
Visualizing and Understanding Convolutional Networks 译文（“看懂”卷积神经网络）
Visualizing and Understanding Convolutional Networks.zip
03-16
"Visualizing and Understanding Convolutional Networks" 主题涉及到的核心是研究如何更好地理解和解释CNN的工作原理，这对于优化模型性能、提升模型可解释性以及解决黑箱问题至关重要。 卷积神经网络由多个层次...
Visualizing and Understanding Convolutional Networks
holmosaint的博客
09-02 340
这篇文章基于AlexNet，对CNN中每层的作用进行了可视化的分析，提出了新颖的可视化工具，让开发者能够清晰地知道每一层提取到的feature，并且有助于研发出performance更好的CNN框架。同时，作者也对基于ImageNet进行训练的AlexNet其他训练集的泛化能力进行了测试。 AlexNet：https://blog.csdn.net/holmosaint/article/deta...
【论文阅读】Visualizing and Understanding Convolutional Networks
博客标题不能为空我也没办法
10-26 573
可视化神经网络内部细节的方法
Visualizing and Understanding Convolutional Networks笔记
01-06
Visualizing and Understanding Convolutional Networks笔记 论文原文 https://arxiv.org/abs/1311.2901 Pytorch实现 https://github.com/huybery/VisualizingCNN 神经网络有效的原因：1、大规模数据集 2、GPU提高...
Visualizing and Understanding Convolutional Networks (2).zip
03-16
本资料《Visualizing and Understanding Convolutional Networks (2)》深入探讨了CNN的可视化方法和技术，以帮助我们更好地理解和优化这些模型。 1. **卷积层的理解**：CNN的核心在于卷积层，它通过滤波器（filter...
2013-Visualizing and Understanding Convolutional Networks
05-21
Large Convolutional Network models have recently demonstrated impressive classication performance on the ImageNet benchmark (Krizhevsky et al., 2012). However there is no clear understanding of why they perform so well, or how they might be improved. In this paper we address both issues. We introduce a novel visualization technique that gives insight into the function of intermediate feature layers and the operation of the classier. Used in a diagnostic role, these visualizations allow us to nd model architectures that outperform Krizhevsky et al. on the ImageNet classication benchmark. We also perform an ablation study to discover the performance contribution from dierent model layers. We show our ImageNet model generalizes well to other datasets: when the softmax classier is retrained, it convincingly beats the current state-of-the-art results on Caltech-101 and Caltech-256 datasets.
[论文笔记]Visualizing and Understanding Convolutional Networks
qq_40079310的博客
08-02 449
Visualizing and Understanding Convolutional Networks 文章目录Visualizing and Understanding Convolutional Networks1：大纲总览2：Approach操作详解：Unpooling:操作详解：Rectification:操作详解：Filtering:3：可视化结果分析 1：大纲总览 ​ 随着(1)可利...
Visualizing and Understanding Convolutional Networks(神经网络可视化)理解
造未来
12-15 332
作者的核心思想要点： feature map的可视化 一般的卷积神经网络某一层的输出，都是将Input Image，经过多次的Conv、ReLU、Pooling作用后的得到的结果。 举个简单又不失一般性的单层卷积神经网络模型： 现在我们想知道Pooling后得到的96个112x112的feature maps中的一个feature map到底学到的是啥？怎么做？ 一个直观的想法是将1...
《Visualizing and Understanding Convolutional Networks》翻译
ShaneneD的博客
04-12 1360
原文：https://arxiv.org/pdf/1311.2901.pdf摘要最近，大型卷积网络模型在ImageNet基准测试中表现出令人印象深刻的分类性能（Krizhevsky et al。，2012）。 然而，对于他们为什么表现如此出色以及他们如何改进他们没有清楚的认识。 在本文中，我们解决了这两个问题。 我们介绍了一种新颖的可视化技术，可以深入了解中间要素图层的功能以及分类器的操作。 用于...
visualizing and understanding convolutional networks
最新发布
03-16
卷积神经网络(Convolutional Neural Network, CNN)是一种用于图像识别和处理的深度学习模型。它通过不断地进行卷积操作和池化操作来提取图像的特征。可视化CNN是理解它的工作原理和调整超参数的有效方法之一。常见的...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值