来自卷积神经网络概念的图像
Image from concept of a convolutional neural network
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 中的一个点（输出点）空间维度，其中 n 是训练模型的动物数量 类；然后该输出以某种方式转换为 one-hot 参数 n 向量，然后从图像的角度给出正确的图像标签CNN，但让我们坚持 n 维点，这是输入图像的 概念 。
然后假设我想获取那个点并以某种方式对其进行转换，以便最终输出是具有约束宽度和高度的图像（不同输入图像的尺寸应该相同）输出相同的点作为输入图像，我该怎么做？
我基本上是在询问用于此类任务的方法（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相同，但我我正在寻找当输入图像输入到 CNN- 时生成与输入图像相同（或至少不是那么不同）的输出点的图像。请记住，我要求的模型的输入是 n 并且输出是一个二维（如果不是灰度则为三维）张量。我注意到 deepdream 正是做这种事情（我认为），但每次我把 "deepdream" 和 "generate" 放在 Google 中时，一个在线几乎总是显示生成器，而不是实际的技术；所以如果对此有一些答案，我很想听听。
输出标签不包含足够的信息来重建整个图像。
引用自DeepDream example ipython notebook：
Making the "dream" images is very simple. Essentially it is just a gradient ascent process that tries to maximize the L2 norm of activations of a particular DNN layer.
因此该算法修改现有图像，使网络中某些节点（可以在中间层，不一定是输出节点）的输出变大。为此，它必须计算节点输出相对于输入像素的梯度。
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 中的一个点（输出点）空间维度，其中 n 是训练模型的动物数量 类；然后该输出以某种方式转换为 one-hot 参数 n 向量，然后从图像的角度给出正确的图像标签CNN，但让我们坚持 n 维点，这是输入图像的 概念 。
然后假设我想获取那个点并以某种方式对其进行转换，以便最终输出是具有约束宽度和高度的图像（不同输入图像的尺寸应该相同）输出相同的点作为输入图像，我该怎么做？
我基本上是在询问用于此类任务的方法（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相同，但我我正在寻找当输入图像输入到 CNN- 时生成与输入图像相同（或至少不是那么不同）的输出点的图像。请记住，我要求的模型的输入是 n 并且输出是一个二维（如果不是灰度则为三维）张量。我注意到 deepdream 正是做这种事情（我认为），但每次我把 "deepdream" 和 "generate" 放在 Google 中时，一个在线几乎总是显示生成器，而不是实际的技术；所以如果对此有一些答案，我很想听听。
输出标签不包含足够的信息来重建整个图像。
引用自DeepDream example ipython notebook：
Making the "dream" images is very simple. Essentially it is just a gradient ascent process that tries to maximize the L2 norm of activations of a particular DNN layer.
因此该算法修改现有图像，使网络中某些节点（可以在中间层，不一定是输出节点）的输出变大。为此，它必须计算节点输出相对于输入像素的梯度。