Deep learning 基于卷积神经网络概念的图像处理

假设我有一个CNN，它被训练用于对不同动物的图像进行分类，这种模型的输出将是

n

空间维度中的一个点（输出点），其中

n

是模型训练的动物类的数量；然后，将该输出转换为一个包含

n

参数的热向量，然后从CNN的角度为图像提供正确的标签，但让我们继续使用

n

维度点，这是输入图像的概念

假设我想取该点，并以某种方式对其进行变换，以使最终输出是一个具有约束宽度和高度的图像（不同输入图像的尺寸应相同），该图像输出与输入图像相同的点，我该如何做

---

我基本上是在询问这类任务所使用的方法（主要是训练），其中必须根据CNN的输出点重建图像-我知道图像永远不会完全相同，但我正在寻找生成相同（或至少没有太大差异）的图像将该点输入CNN-时，将该点作为输入图像输出。请记住，我所要求的模型的输入是

n

，输出是一个二维（或三维，如果不是灰度）张量。我注意到deepdream正是做这种事情的（我想），但每次我把“deepdream”和“generate”放在谷歌上，几乎总是会显示一个在线生成器，而不是实际的技术；因此，如果对此有一些答案，我很想听听。

输出标签没有包含足够的信息来重建整个图像

引述:

制作“梦想”图像非常简单。本质上，它只是一个梯度上升过程，试图最大化特定DNN层激活的L2范数

---

因此，该算法修改现有图像，使得网络中某些节点的输出（可以位于中间层，不一定是输出节点）变大。为此，它必须计算节点输出相对于输入像素的梯度。

输出标签没有包含足够的信息来重建整个图像

引述:

制作“梦想”图像非常简单。本质上，它只是一个梯度上升过程，试图最大化特定DNN层激活的L2范数

---

因此，该算法修改现有图像，使得网络中某些节点的输出（可以位于中间层，不一定是输出节点）变大。为了做到这一点，它必须计算节点输出相对于输入像素的梯度。

所以每次生成新图像之前都必须训练网络？有没有一种方法，比如说，事先知道什么是动物的组成部分，然后生成一个动物的图像？因此，在生成一个新图像之前，每次都必须对网络进行训练？难道没有一种方法，比如说，事先知道什么是动物的构成，就可以产生一个动物的形象吗？