사전 훈련된 신경망 불러오기

사전 훈련된 GoogLeNet 신경망을 불러옵니다.

net = googlenet;

앞쪽에 있는 컨벌루션 계층 시각화하기

GoogLeNet신경망에는여러개의컨벌루션계층이있습니다。신경망의시작부분에있는 컨벌루션 계층은 수용 영역의 크기가 작아서 하위 수준의 작은 특징을 학습합니다. 신경망의 끝부분에 있는 계층은 수용 영역의 크기가 더 크며 따라서 더 큰 특징을 학습합니다.

analyzeNetwork를 사용하여 신경망 아키텍처를 표시하고 컨벌루션 계층을 찾습니다.

analyzeNetwork(net)

컨벌루션 계층 1에서 학습하는 특징

layer가 첫 번째 컨벌루션 계층이 되도록 설정합니다. 이 계층은 신경망의 두 번째 계층이며 이름이'conv1-7x7_s2'입니다.

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

name = 'conv1-7x7_s2'

channels를1:36인덱스 벡터로 설정하고deepDreamImage를 사용하여 이 계층이 학습한 처음 36개의 특징을 시각화합니다. 영상이 스케일링되지 않도록'PyramidLevels'를 1로 설정합니다. 영상을 모두 한꺼번에 표시하려면imtile을 사용할 수 있습니다.

기본적으로deepDreamImage는 사용 가능한 경우 호환되는 GPU를 사용합니다. GPU가 없으면 CPU를 사용합니다. GPU를 사용하려면 Parallel Computing Toolbox™와 지원되는 GPU 장치가 필요합니다. 지원되는 장치에 대한 자세한 내용은릴리스별 GPU 지원(Parallel Computing Toolbox)항목을참조하십시오。

channels = 1:36; I = deepDreamImage(net,name,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')

위 영상은 대부분 경계와 색을 포함하고 있는데, 이를 통해 계층'conv1-7x7_s2'의필터가 경계 검출기이자 색 필터임을 알 수 있습니다.

컨벌루션 계층 2에서 학습하는 특징

두 번째 컨벌루션 계층의 이름은'conv2-3x3_reduce'이며 계층 6에 해당합니다.channels를1:36인덱스 벡터로 설정하고 이 계층이 학습한 처음 36개의 특징을 시각화합니다.

최적화 과정에 대한 상세한 출력이 표시되지 않도록 하려면deepDreamImage.를 호출할 때'Verbose'를'false'로 설정하십시오.

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

name = 'conv2-3x3_reduce'

channels = 1:36; I = deepDreamImage(net,name,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')

이 계층의 필터는 첫 번째 컨벌루션 계층보다 더 복잡한 패턴을 검출합니다.

심층 컨벌루션 계층 시각화하기

심층 계층은 앞쪽 계층에서 학습한 특징들의 상위 수준 조합을 학습합니다.

피라미드 단계의 개수와 피라미드 단계당 반복 횟수를 늘리면 더욱 상세한 영상을 생성할 수 있습니다. 단, 이때 연산량은 늘어납니다.'NumIterations'옵션을 사용하여 반복 횟수를 늘리고 'PyramidLevels' 옵션을 사용하여 피라미드 단계 수를 늘릴 수 있습니다.

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')

신경망의 계층이 깊어질수록 복잡한 패턴과 텍스처를 학습한 더 자세한 필터가 생성되는 것을 알 수 있습니다.

완전 연결 계층 시각화하기

각 클래스와 가장 근접한 영상을 생성하려면 완전 연결 계층을 선택하고channels를 각 클래스의 인덱스로 설정하십시오.

완전 연결 계층(계층 142)을 선택합니다.

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

name = 'loss3-classifier'

channels를 시각화하려는 클래스 이름의 인덱스로 설정하여 해당 클래스를 선택합니다.

channels = [114 293 341 484 563 950];

클래스는 출력 계층(마지막 계층)의Classes속성에 저장되어 있습니다. 선택한 클래스의 이름을 보려면channels의항목을 선택합니다.

net.Layers(end).Classes(channels)

ans =6×1 categoricalsnail tiger zebra castle fountain strawberry

이러한 클래스를 강하게 활성화하는 상세한 영상을 생성합니다. 더욱 상세한 영상이 생성되도록deepDreamImage를 호출할 때'NumIterations'를 100으로 설정합니다. 완전 연결 계층에서 생성된 영상이 영상 클래스에 해당합니다.

I = deepDreamImage(net,name,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'])

생성된 영상은 선택된 클래스를 강하게 활성화합니다. ‘zebra’ 클래스에 대해 생성된 영상은 뚜렷한 얼룩말 줄무늬를 포함하며, ‘castle’ 클래스에 대해 생성된 영상은 작은 탑과 창문을 포함합니다.