事前学習済みのネットワークおよびデータの読み込み

事前学习済みの挤压Zenetネットワークを読み込みます。

网= squeezenet;

イメージを読み取ってします后で使使するにサイズ保存保存します。

Im = imread（“face.jpg”）;imshow（IM）

imgsize =尺寸（IM）;Imgsize = Imgsize（1：2）;

ネットワークアーキテクチャの表示

ネットワーク可能なを确认ます层では，学校，可以使用して畳み込みが行れますし，有用な特征（通式，チャネル1つにつき1つの特价。を识别すること习ますます。最初の畳み込み层に64个のチャネルがあること确认しますしします。

analyzeNetwork(净)

イメージ入力層では,入力サイズが指定されます。ネットワークにイメージを渡す前にイメージのサイズを変更できますが,ネットワークで大きなイメージを処理することもできます。ネットワークに大きなイメージを供給すると,活性化のサイズも大きくなります。ただし,ネットワークの学習はサイズが227 x 227のイメージについて行われており,このサイズより大きいオブジェクトまたは特徴を認識するようには行われていません。

最初の畳み込み層の活性化の表示

イメージに対して畳み込み层のどの领域が活性化するかを确认し，元のイメージの対応する领域と比较することによって特徴を调べます。畳み込みニューラルネットワークの各层は，“チャネル”と呼ばれる多数人の2次元配列で构成されてますます。Conv1.層の出力活性化を確認します。

ACT1 =激活（NET，IM，'conv1'）;

活性化は3次元配列として返さます。この配列の3番目の次元，Conv1.关のチャネルチャネルがインデックスインデックスされてい。关联inmtile.ををししのを表示は，配列の形状を4次元に変更ます。inmtile.のの力の3番目の次元は，イメージカラーを表し表しが活性れには色が设定さていないためためがての次元のサイズが4ように次元しサイズ44ように设定します44ように设定します44ように设定します4インデックス析さます。

深圳=大小(act1);Act1 =重塑(Act1，[sz(1) sz(2) 1 sz(3)]);

これで，活性化を表示ようになりましましの値値ことができることができることができることができることができることができることができることができるためmat2gray.をを使してしし活性活性の最最が0，最大値が1になる，すべてすべて活性がスケーリングさます.64个のイメージ（层层のイメージ（层のごとに1つのイメージ）を8x 8のグリッドに表示しますます。

i = imtile（mat2gray（Act1），'gridsize'，[8 8]）;imshow（i）

特定のチャネルの活性活性调查

活性化のグリッドの各タイルは,Conv1.层のピクセルはの正の化化ピクセル表しますのがほとんど表します活性化がグレーます。チャネルチャネルの活性ははのししピクセルチャネル対応にあるピクセルは活性対応にあるピクセルはは対応しあるピクセルはの対応し白いははの対応しピクセルはの位置位置位置位置の位置位置位置位置位置位置位置位置の位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置位置し位置位置位置位置し位置位置

チャネル22の活性化サイズが元ののイメージと同じなるように変更しててように変更しててなるようにししてなるようようを表示して

ACT1CH22 = ACT1（：：：：，22）;ACT1CH22 = MAT2GRAY（ACT1CH22）;ACT1CH22 = IMRESIZE（ACT1CH22，IMGSIZE）;i = Imtile（{IM，ACT1CH22}）;imshow（i）



最も最も强い活性活性チャネルの

强く活性化解チャネルをで调べて，兴味兴味深いチャネルを见つけることことできできできできできできできできできでき最大限度をを使し强く强く化チャネル见つけ化表示し见つけ。

[maxvalue，maxvalueindex] = max（max（max（act1））））;Act1chmax = Act1（：：：：，maxvalueIndex）;Act1chmax = Mat2Gray（Act1chmax）;ACT1CHMAX = IMRESIZE（ACT1CHMAX，IMGSIZE）;i = imtile（{Im，Act1chmax}）;imshow（i）

元元のイメージと比较する，このこのチャネルはエッジに対して活性活性ことが右侧わかりわかりわかりでは薄く右侧が浓いエッジエッジはに活性活性さされれがが浓く右侧がさエッジは负浓く右侧が薄いれれ负に活性活性がされれ。

深い层の调查

最初の畳み込み層で,ほとんどの畳み込みニューラルネットワークは色やエッジといった特徴の検出を学習します。深い畳み込み層では,ネットワークはより複雑な特徴を検出することを学習します。後続の層は,それ以前の層の特徴を組み合わせることによって特徴を構築します。Conv1.層と同じ方法でFire6-Squeeze1x1.层层で活性调べ，グリッド形状で活性の，形状形状，および表示をます。

act6 =激活(网,即时通讯,'Fire6-Squeeze1x1'）;sz =尺寸（ACT6）;ACT6 = REHAPE（ACT6，[SZ（1）SZ（2）1 SZ（3）]）;i = imtile（imresize（mat2gray（act6），[64 64]），'gridsize'，[6 8]）;imshow（i）

详しく调べるにはイメージイメージがすぎるため，兴味深いと思われるかのイメージ注目します。Fire6-Squeeze1x1.层层で最も强い活性活性を表示し

[maxValue6, maxValueIndex6] = max (max (max (act6)));act6chMax = act6 (:,:,:, maxValueIndex6);imshow (imresize (mat2gray (act6chMax) imgSize))

この料合，最大の活性化には他のかかチャネルほど兴味详细ななながなく，强い负の（色の浓い）活性ととの（色色ののます。このチャネルは，颜に焦点を当ている可能性があり。

すべてのチャネルのグリッドには,目に対して活性化するチャネルがあります。チャネル14および47をさらに詳細に調べます。

I = imtile (imresize (mat2gray (act6 (:,:,:, 47 [14])), imgSize));imshow（i）

多重薄い薄い活性活性领域のがそれぞれそれぞれそれぞれれいい活性はそれぞれ，それぞれそれぞれ，のそれぞれれます活性これらそれぞれ，のそれぞれですますのそれぞれ，のそれぞれれて。Fire6-Squeeze1x1.层の后には正式化纤ユニット（relu）ががため，使のれるですですには调べる调べる调べるに，解析を缲り返しFire6-Relu_squeeze1x1.层层活性化を视覚します。

Act6Relu =激活（网络，IM，'Fire6-Relu_squeeze1x1'）;sz =尺寸（Act6Relu）;ACT6RELU = REHAPE（ACT6RELU，[SZ（1）SZ（2）1 SZ（3）]）;i = imtile（imresize（mat2gray（Act6Relu（：：：：：：[14 47]）），IMGSize））;imshow（i）

Fire6-Squeeze1x1.层层の活性活性と比べ，Fire6-Relu_squeeze1x1.层层活性化，颜の强い特性が含まイメージの领域を明白

チャネルチャネルによる目のの认识の

Fire6-Relu_squeeze1x1.层のチャネル14および47が，目目に対して活性活性するかかを闭じ确认しししイメージを闭じているいるしいイメージをにに入入ししを得られる活性活性をのイメージ得られる活性とをのイメージ活性活性ととします。

片目片目を闭じてているイメージを読み取って表示，Fire6-Relu_squeeze1x1.层层の活性活性を计算し

imClosed = imread (“face-eye-closed.jpg”）;imshow（Imclosed）

ACT6CLOSED =激活（网络，拟计，'Fire6-Relu_squeeze1x1'）;Sz =尺寸（ACT6CLOSED）;ACT6CLOSED = REPAPE（ACT6缩合，[SZ（1），SZ（2），1，SZ（3）]）;

イメージイメージと活性を1つの图内にプロットします。

channelclosed = repmat(imresize(mat2gray(act6Closed(:，:，:，[14 47]))，imgSize)，[1 1 3]);channelsOpen = repmat(imresize(mat2gray(act6relu(:，:，:，[14 47]))，imgSize)，[1 1 3]);I = imtile(猫(4 im channelsOpen * 255、imClosed channelsClosed * 255));imshow (I)标题(输入图像，第14频道，第47频道）;

活性析，チャネル14と47のの両がのに対して化し目化化しに対しても度度するするもあるわかり

ネットワークに対して目について学習するように指定していないにもかかわらず,目がイメージのクラスを区別するために有益な特徴であると学習しています。以前の機械学習のアプローチでは通常,問題に固有の特徴を手動で作成していましたが,上記の深層畳み込みネットワークは有益な特徴を自動で学習することができます。たとえば,目を識別する学習が,ネットワークで豹と豹柄のカーペットを区別するのに役立つ可能性があります。