事前学習済みのネットワークの読み込み

事前学習済みの GoogLeNet ネットワークを読み込みます。

net = googlenet;

初期の畳み込み層の可視化

GoogLeNet ネットワークには、複数の畳み込み層があります。ネットワークの最初の方の畳み込み層では、受容野のサイズが小さく、学習する特徴は小さく低水準になります。ネットワークの最後の方の層では、受容野のサイズが大きく、学習する特徴が大きくなります。

analyzeNetworkを使用して、ネットワーク アーキテクチャを表示し、畳み込み層の位置を確認します。

analyzeNetwork(net)

畳み込み層 1 の特徴

layerを最初の畳み込み層になるように設定します。この層はネットワークの 2 番目の層であり、'conv1-7x7_s2'という名前が付いています。

layer = 2; name = net.Layers(layer).Name

name = 'conv1-7x7_s2'

channelsをインデックスのベクトル1:36に設定することによって、deepDreamImageを使用してこの層で学習された最初の 36 個の特徴を可視化します。'PyramidLevels'を 1 に設定し、イメージがスケーリングされないようにします。イメージをまとめて表示するには、imtileを使用できます。

deepDreamImageでは既定で、互換性のある GPU が利用できる場合は、その GPU が使用されます。そうでない場合は CPU が使用されます。GPU を使用するには、Parallel Computing Toolbox™ とサポートされている GPU デバイスが必要です。サポートされているデバイスについては、リリース別の GPU サポート(Parallel Computing Toolbox)を参照してください。

渠道= 1:36时;我= deepDreamImage(净、名称、channels,...'PyramidLevels',1);

|==============================================| | Iteration | Activation | Pyramid Level | | | Strength | | |==============================================| | 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(I,'ThumbnailSize',[64 64]); imshow(I) title(['Layer ',name,' Features'],'Interpreter','none')

これらのイメージの多くには、エッジと色が含まれます。これは、'conv1-7x7_s2'層のフィルターがエッジ検出器およびカラー フィルターであることを示します。

畳み込み層 2 の特徴

2番目の畳み込み層は'conv2-3x3_reduce'という名前で、層 6 に対応します。channelsをインデックスのベクトル1:36に設定することによって、この層で学習された最初の 36 個の特徴を可視化します。

最適化プロセスで詳細な出力を表示しないようにするには、deepDreamImage.を呼び出すときに'Verbose'を'false'に設定します。

layer = 6; name = net.Layers(layer).Name

name = 'conv2-3x3_reduce'

渠道= 1:36时;我= deepDreamImage(净、名称、channels,...'Verbose',false,...'PyramidLevels',1); figure I = imtile(I,'ThumbnailSize',[64 64]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features'],'Interpreter','none')

この層のフィルターは、最初の畳み込み層よりも複雑なパターンを検出できます。

より深い畳み込み層の可視化

深い層では、それ以前の層によって学習された特徴の高水準の組み合わせを学習します。

ピラミッド レベルの数およびピラミッド レベル 1 つあたりの反復回数を増やすと、計算量が増加しますが、より詳細なイメージを生成できます。反復の回数を増やすには'NumIterations'オプションを使用し、ピラミッド レベルの数を増やすには 'PyramidLevels' オプションを使用します。

layer = 97; name = net.Layers(layer).Name

name = 'inception_4e-1x1'

channels = 1:6; I = deepDreamImage(net,name,channels,...'Verbose',false,..."NumIterations",20,...'PyramidLevels',2); figure I = imtile(I,'ThumbnailSize',[250 250]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features'],'Interpreter','none')

ネットワークの層が深くなるほどフィルターが詳細になり、複雑なパターンとテクスチャが学習されていることに注意してください。

全結合層の可視化

各クラスに最も似たイメージを生成するには、全結合層を選択し、channelsをクラスのインデックスに設定します。

全結合層 (層 142) を選択します。

layer = 142; name = net.Layers(layer).Name

name = 'loss3-classifier'

可視化するクラスを選択するには、channelsをこれらのクラス名のインデックスに設定します。

channels = [114 293 341 484 563 950];

クラスは、出力層 (最後の層) のClassesプロパティに格納されます。channelsのエントリを選択することによって、選択されたクラスの名前を表示できます。

net.Layers(end).Classes(channels)

ans =6×1 categoricalsnail tiger zebra castle fountain strawberry

これらのクラスを強く活性化する詳細なイメージを生成します。deepDreamImageを呼び出すときに'NumIterations'を 100 に設定すると、より詳細なイメージが生成されます。全結合層で生成されたイメージは、イメージ クラスに対応しています。

我= deepDreamImage(净、名称、channels,...'Verbose',false,...'NumIterations', 100,...'PyramidLevels',2); figure I = imtile(I,'ThumbnailSize',[250 250]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features'])

生成されたイメージは選択されたクラスを強く活性化しています。'zebra' クラスとして生成されたイメージは鮮明なシマウマ模様を含み、'castle' クラスとして生成されたイメージはタレットと窓を含んでいます。