神经网络特征可视化

1. visualizing higher-layer features of a deep network

本文提出了两种可视化方法。

1. 最大化activation

当训练完一个深层神经网络之后， 固定所有参数。 然后对于某一个神经元的activation进行梯度上升优化来寻找能使它的值最大化的input。 不断的用gradient ascent来更新一个初始化为random value的input。 converge 之后的input就是能使这个神经元activation最大化的input， 也就是这个神经元学到的feature。

2. sampling from a unit of a deep belief network

把一个神经元的activation设为1， 然后generate 一些相应的samples， 通过这些samples估计一个distribution。

3. linear combination of previous layers' filters

这个是已经存在的技术， 用底层的filter线性组合来visulze上层的filter

结论

1. 不同的网络结构或者模型会学到不同的filter。

2. 好的模型学到的filter通常比较容易解释，但是这个不是100%适用。 有些model学到的feature看似不好但是这个model效果也可能很好。

3. deep model 高层的feature相对比较high level 而且可以是底层feature的组合。