来自卷积神经网络概念的图像

Question

假设我有一个经过训练用于分类不同动物图像的 CNN，该模型的输出将是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别的数量；然后将该输出转换为将其转换为n 参数的 one-hot 向量，然后从 CNN 的角度为图像提供正确的标签，但让我们坚持下去n 维点，这是输入图像的概念。

然后假设我想获取该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），它输出与输入图片，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，但我当该点输入到 CNN- 时，寻找与输入图像生成相同（或至少不那么不同）输出点的图像。请记住，我要求的模型的输入是n，输出是二维（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），但每次我在 Google 中输入“deepdream”和“generate”时，几乎总是显示在线生成器，而不是实际技术；因此，如果对此有一些答案，我很想听听。

Answer 1

输出标签没有包含足够的信息来重建整个图像。

引用DeepDream example ipython notebook:

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。

因此该算法修改了现有图像，使得网络中某些节点（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。