Python 2.7 如何在TensorFlow中可视化依赖于输出类的DNN？

在TensorFlow中，只需一次输入即可直观地显示过滤器和激活层

但我更感兴趣的是相反的方式：将一个类（作为一个热向量）馈送到输出层，然后查看该特定类的最佳输入图像

是否有方法执行此操作或反向运行图形

背景：我正在使用GooglesInception V3，共有15门课，我已经用大量数据对网络进行了培训，达到了很高的精度。现在我有兴趣了解模型为什么以及如何区分不同的类。

这个“基本”版本很简单。您使用与训练网络相同的图形，但不是优化网络的w.r.t.参数，而是优化输入的w.r.t（输入图像的形状必须是一个变量）。您的优化目标是目标类的负logit（因为您希望最大化，但TF优化器最小化）。您希望为图像运行两个不同的初始值

---

还有一些相关的技术，如果你搜索DeepDream和敌对的例子，你应该会找到很多文献。

但是由于TensorFlow中的图是直接的，我不能简单地改变我的优化目标。我必须手动重建一个反向模型，对吗？@MarcOsterland不，是一样的。唯一的问题是什么是固定的，什么是可变的-在典型设置中，图像是固定的，您可以更改模型参数，在您的情况下，模型参数是固定的，您可以更改图像。@etarion:但是在创建用于训练的变量后，您如何固定参数？@thomas TensorFlow优化器在“最小化”中有一个var_列表参数，可以让您精确地指定要更新的变量-其他变量不会被触及。@etarion:Id不知道那个但现在我有另一个问题。为了不在答案上乱发评论，我提出了一个新问题。如果你能看一看，我将不胜感激