使用去卷积来可视化神经网络和自动编码器的功能有什么区别

Question

我看了Zeiler的论文(arxiv/pdf)，以及他在youtube上的一些演讲视频，我试图用tensorflow复制它，我发现了一种叫做自动编码器的东西，它的程序(对局外人来说)看起来很相似，如：

在Zeiler的论文中：

1. 卷积输入
2. 通过RELU
3. 执行池
4. 。。。冲洗并重复所有层，完成后，将过程反转回像素空间

在自动编码器中：

将其与我在github上看到的自动编码器(github-python文件)进行比较，它可以做到这一点：

1. 对输入进行卷积
2. 通过RELU
3. 执行池
4. 。。。冲洗并重复其他层，然后反向返回像素空间

因此，为了对conv网络使用tensorflow所做的事情进行可视化，这个代码和这个自动编码器有什么不同？我一直在努力弄清楚在给定一组训练数据和训练后的convnet的情况下，我如何可视化图像具有或不具有什么，以使其引起激活，正如论文中提到的那样。(其中一位作者为此写了一篇博客(clarifai.com.NSFW)，展示了他们的技术，该论文的技术是使用caffe在开源代码(deepvis)中复制的，但我对caffe不熟悉，对tensorflow也不熟悉)。如何做到这一点？

Answer 1

可能不是一个完整的比较，但

• Zeiler的devonv网络通过记住在下采样(最大池化)步骤中哪个像素是最大值来进行上采样。上采样有不同的方法。卷积自动编码器可以定义conv2d_transpose层，这与conv2d层正好相反，但可以在训练期间学习参数。这种层似乎比Zeiler方法中简单地记录最大像素位置更灵活(即，更多的参数)。

• 要添加。