2014eccv紐約大學 matthew d. zeiler, rob fergus文章主要技巧：使用視覺化技巧——反卷積網路(deconvnet)來直**到cnn中間層的特徵對應的影象區域，deconvnet在（zeiler et al., 2011）中被用作無監督學習，本文則用來進行視覺化演示。一層反卷積網可以看做是一層卷積網的逆過程，它們擁有相同的卷積核和pooling函式（準確說，是逆函式），因此反卷積網是將輸出特徵逆對映成輸入訊號。
**：adaptive deconvolutional networks for mid and high level feature learning
關於反卷積網路（deconvnet）:
卷積神經網路視覺化理解
看了cs231的課程，想自己嘗試做下視覺化，權當加深對卷積神經網路的理解吧。課程 課程裡提到第一層卷積一般做的是傳統視覺的工作，主要提取一些有向邊，視覺化卷積核的原因是類似模板匹配的思想啥的，具體我也沒有深究。我自己的看法是，視覺化卷積核，權重大的位置說明該點對輸出啟用影響大，第一層卷積恰好對應影象...
視覺化探索卷積神經網路提取特徵
卷積神經網路的發展主要是為了解決人類視覺問題，不過現在其它方向也都會使用。發展歷程主要從lenet5 alexnet vgg goolenet resnet等。傳統bp神經網路層與層之間都是全連線的，對於影象處理領域，當神經網路處理大影象時，全連線會導致待訓練的引數非常龐大，比如100萬個畫素的影象...
利用Python實現卷積神經網路的視覺化
對於深度學習這種端到端模型來說，如何說明和理解 其中的訓練過程是大多數研究者關注 熱點之一，這個問題對於那種高風險行業顯得 尤為重視 比如醫療 軍事等。在深度學習中，這個問題被稱作 黑匣子 black box 如果不能解釋模型的工作 過程，我們怎麼能夠就輕易相信模型的輸出結果呢？以深度學習模型檢測癌...