负载Pretrained网络

加载一个预先训练好的GoogLeNet网络。

网= googlenet;

可视化早期卷积层

在GoogLeNet网络中有多个卷积层。网络开始处的卷积层具有较小的接受域大小和学习小的、低层次的特征。接近网络末端的层有更大的接受域大小和学习更大的特征。

使用analyzeNetwork，查看网络架构并定位卷积层。

analyzeNetwork(净)

卷积层的特性1

集层是第一个卷积层。这一层是网络中的第二层，并被命名为“conv1-7x7_s2”．

层= 2;name = net.Layers(层). name

name = ' conv1-7x7_s2 '

使用可视化该层学到的前36个特性deepDreamImage通过设置渠道是指标向量1:36时．集“PyramidLevels”为1，这样图像就不会缩放。要同时显示图像，可以使用imtile．

deepDreamImage默认情况下使用兼容的GPU。否则使用CPU。支持CUDA®的NVIDIA®GPU必须具备3.0或更高的计算能力。

渠道= 1:36时;我= deepDreamImage(净、名称、通道．..“PyramidLevels”1);

|==============================================| | 迭代| |金字塔激活水平| | |力量  | | |==============================================| | 1 | 0.26 | 1 | | 2 | 6.99 | 1 | | 3 | 14.24 | 1 | | 4 | 21.49 | 1 | | 5 | 28.74 | 1 | | 6 | 35.99 | 1 | | 7 | 43.24 | 1 | | 8 | 50.50 | 1 | | 9 | 57.75 | 1 | | 10 | 65.00 | 1 ||==============================================|

figure I = imtile(n .)“ThumbnailSize”64年[64]);imshow (I)标题([“层”、名称、“特性”]，“翻译”，“没有”）

这些图像大多包含边缘和颜色，这表明滤镜在图层上“conv1-7x7_s2”是边缘检测器和颜色过滤器。

卷积层2的功能

第二个卷积层被命名“conv2-3x3_reduce”，对应于第6层。通过设置，可视化此层学习的前36个特性渠道是指标向量1:36时．

为了抑制对优化过程的详细输出，设置“详细”来“假”在号召中deepDreamImage。

层= 6;name = net.Layers(层). name

name = ' conv2-3x3_reduce '

渠道= 1:36时;我= deepDreamImage(净、名称、通道．..“详细”假的,．..“PyramidLevels”1);figure I = imtile(n .)“ThumbnailSize”64年[64]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”]，“翻译”，“没有”）

这一层的过滤器检测比第一层卷积层更复杂的模式。

想象更深的卷积层

更深层次学习较早层次学到的高级特征组合。

增加金字塔层的数量和每个金字塔层的迭代可以产生更详细的图像，但需要额外的计算。属性可以增加迭代次数“NumIterations”选择，并使用“PyramidLevels”选项。

层= 97;name = net.Layers(层). name

name = ' inception_4e-1x1 '

渠道= 1:6;我= deepDreamImage(净、名称、通道．..“详细”假的,．..“NumIterations”, 20岁,．..“PyramidLevels”2);figure I = imtile(n .)“ThumbnailSize”250年[250]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”]，“翻译”，“没有”）

请注意，越深入网络的层产生的过滤器越详细，这些过滤器已经学习了复杂的模式和纹理。

可视化全连接层

要生成与每个类最相似的图像，选择完全连接的图层，并设置渠道作为类的索引。

选择完全连接的图层(图层142)。

层= 142;name = net.Layers(层). name

name = ' loss3-classifier '

通过设置选择要可视化的类渠道作为这些类名的索引。

通道= [114 293 341 484 563 950];

类存储在类属性的输出层(最后一层)。中的条目可以查看所选类的名称渠道．

net.Layers(结束). class(渠道)

ans =6×1分类蜗牛老虎斑马城堡喷泉草莓

生成强烈激活这些类的详细图像。集“NumIterations”在给100的电话里deepDreamImage以产生更详细的图像。从完全连接层生成的图像对应于图像类。

我= deepDreamImage(净、名称、通道．..“详细”假的,．..“NumIterations”, 100,．..“PyramidLevels”2);figure I = imtile(n .)“ThumbnailSize”250年[250]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”]）

生成的图像强烈激活所选的类。为“斑马”类生成的图像包含明显的斑马条纹，而为“城堡”类生成的图像包含炮塔和窗户。