负载预训练网络

加载一个预先训练好的GoogLeNet网络。

Net = googlenet;

可视化早期卷积层

在GoogLeNet网络中有多个卷积层。接近网络开始的卷积层有一个小的接受域大小，学习小的，低级的特征。接近网络末端的层有更大的接受域大小和学习更大的特征。

使用analyzeNetwork，查看网络结构，定位卷积层。

analyzeNetwork(净)

卷积层1的特征

集层是第一个卷积层。这一层是网络中的第二层，被命名为“conv1-7x7_s2”．

图层= 2;name = net.Layers(layer).Name

Name = 'conv1-7x7_s2'

将这一层学习到的前36个特性可视化deepDreamImage通过设置渠道是指标的向量1:36．集“PyramidLevels”到1，这样图像就不会缩放。要将图像显示在一起，您可以使用imtile．

deepDreamImage默认情况下，如果可用，使用兼容的GPU。否则它将使用CPU。使用GPU需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持按版本划分(并行计算工具箱)．

频道= 1:36;I = deepDreamImage(net,name,channels，.．.“PyramidLevels”1);

|==============================================| | 迭代| |金字塔激活水平| | |力量  | | |==============================================| | 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年[64]);imshow (I)标题([“层”、名称、“特性”),“翻译”，“没有”）

这些图像大多包含边缘和颜色，这表明滤镜在层“conv1-7x7_s2”是边缘检测器和颜色滤镜。

卷积层2的特性

第二个卷积层被命名“conv2-3x3_reduce”，对应第6层。通过设置来可视化这一层学习到的前36个特性渠道是指标的向量1:36．

若要抑制优化过程的详细输出，请设置“详细”来“假”在呼唤deepDreamImage。

图层= 6;name = net.Layers(layer).Name

名称= 'conv2-3x3_reduce'

频道= 1:36;I = deepDreamImage(net,name,channels，.．.“详细”假的,.．.“PyramidLevels”1);figure I = imtile(I，“ThumbnailSize”64年[64]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”),“翻译”，“没有”）

这一层的过滤器检测到比第一个卷积层更复杂的模式。

可视化更深的卷积层

较深层的层学习较早期层学习过的特征的高级组合。

增加金字塔层的数量和每个金字塔层的迭代次数可以产生更详细的图像，但需要额外的计算。方法可以增加迭代的次数“NumIterations”选项，并使用'增加金字塔等级的数量PyramidLevels”选项。

图层= 97;name = net.Layers(layer).Name

名称= 'inception_4e-1x1'

渠道= 1:6;I = deepDreamImage(net,name,channels，.．.“详细”假的,.．.“NumIterations”, 20岁,.．.“PyramidLevels”2);figure I = imtile(I，“ThumbnailSize”250年[250]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”),“翻译”，“没有”）

注意，在网络中更深的层产生了更详细的过滤器，学习了复杂的模式和纹理。

可视化完全连接层

要产生最接近每个类的图像，选择完全连接层，并设置渠道作为类的索引。

选择完全连接层(层142)。

图层= 142;name = net.Layers(layer).Name

名称= 'loss3-classifier'

通过设置选择要可视化的类渠道作为这些类名的索引。

通道= [114 293 341 484 563 950];

类存储在类属性的输出层(最后一层)。中的条目可以查看所选类的名称渠道．

net.Layers(结束). class(渠道)

ans =6×1分类蜗牛老虎斑马城堡喷泉草莓

生成强烈激活这些类的详细图像。集“NumIterations”打到100的电话deepDreamImage以产生更详细的图像。从全连接层生成的图像对应于图像类。

I = deepDreamImage(net,name,channels，.．.“详细”假的,.．.“NumIterations”, 100,.．.“PyramidLevels”2);figure I = imtile(I，“ThumbnailSize”250年[250]);imshow(I) name = net.Layers(layer).Name;标题([“层”、名称、“特性”])

生成的图像强烈激活所选类。为“斑马”类生成的图像包含明显的斑马条纹，而为“城堡”类生成的图像包含炮塔和窗户。