课程视频地址：https://study.163.com/courses-search?keyword=CS231

课程主页：http://cs231n.stanford.edu/2017/

这一讲介绍了可视化和理解卷积神经网络。

特征可视化

这一部分主要介绍卷积神经网络的可视化。

First Layer: Visualize Filters

首先看下可视化第一层的滤波器：

第一层主要检测边和线。课程中还介绍了最后一层滤波器的可视化，用到了降维等技巧，这里从略。

Maximally Activating Patches

另一种可视化方法是找到产生最大激活值的图片块，即遍历训练集，找到是单元激活最大化的一些图片块，利用这个方法可以了解到每个滤波器检测的模式：

Gradient Ascent

梯度上升法可以找到使某个激活值最大的图片，思路如下：

正则项是为了让图像更平滑，最后产生的图像代表了CNN检测的模式：

DeepDream

DeepDream是利用Gradient Ascent来产生艺术品，例如输入天空图像：

会产生如下作品：

Neural Style Transfer

介绍Neural Style Transfer之前，首先介绍以下两个内容。

Feature Inversion

Feature Inversion是为了产生和原图内容内容相近的图像，过程如下：

产生的图像：

Neural Texture Synthesis

这里用Gram矩阵衡量图片的纹理特征，利用Gradient Ascent产生和原图纹理相似的图像：

将以上两者结合起来，就得到了Neural Style Transfer，输入是两张图片，第一张代表内容，第二张代表风格，我们要产生图片，使得这张图片和第一张图片内容相近（Feature Inversion），和第二张图片风格相近（Neural Texture Synthesis），具体过程如下：

产生的效果如下：