文章来源： http://blog.csdn.net/diligent_321/article/details/53292484
虽然深度神经网络在计算机视觉方面的效果非常显著，但至今还没有非常严格的理论支撑。最开始学习CNN的时候，采用的都是手写体识别的例子，对其最直观的解释即随着层数增加，所学到的特征越来越抽象（大致按照“点－> 线－>角－>整体轮廓”的顺序）。同样地，谷歌技术团队在训练他们的GoogLeNet网络时，为了对网络所学到的特征有更好的理解，他们在特征可视化方面做了很多努力，同时也发现了一些美轮美奂的图画（如下为其中的一些）。本文将先介绍GoogLeNet网络结构相关的理论，再讲述特征可视化部分。
Deep Dream神经网络，也就是GoogLeNet网络结构，它是基于Inception识别模型的。传统的卷积神经网络莫过于LeCun的LeNet-5了，如下图所示，
它由卷积层、下采样层和全连接层组合而成，结构层数较少。而对于大型数据集，比如ImageNet数据集，为了显著提高算法的效果，就需要增加网络的复杂度（增加层数或者每层神经元个数），来增强模型的表达能力，同时，为了防止该模型过度拟合，比较简单的方法就是在训练模型的过程中，采用dropout的策略。但是通过增加网络复杂度来提高性能的方法是有缺点的，一是在训练数据数量固定的条件下，当网络结构变复杂时，伴随而来的是模型参数增加，更容易导致过拟合问题。二是网络结构变复杂时，计算量变大，所需的硬件资源也会快速增加，更糟糕的是，如果模型增加的表达能力没有得到高效利用的时候，比如最终学到的参数接近于０，那么就是对计算资源的一种浪费。针对上述问题，最好的解决办法就是使用稀疏连接的网络架构。大部分的机器学习系统都是通过卷积操作来实现稀疏性的，但是相对于前一层的局部感受野（local receptive field），卷积操作连接仍然属于密连接（dense connections）。与此同时，全连接的优势在于允许我们利用并行计算，充分发挥GPU的性能。那么如何更好的在sparse connections和dense connections之间取得平衡呢？Christian Szegedy等大牛们想到了Inception架构。Inception架构的最初想法是在卷积网络中，如何利用局部的dense connection来学习到一个近似的最优局部稀疏结构，它在局部化（localization)和目标识别等应用中取得了很好的效果。
Inception架构介绍
Inception架构中存在着滤波器组（filter bank），为了避免patches对齐问题，通常的做法是把滤波器的大小设定为1x1、３x３、5ｘ5，在深度网络模型中，滤波器组的输出合并在一起构成了下一层的输入。随着Inception模块逐步堆叠，抽象程度也会增加，所以３x３、5ｘ5滤波器的比例应该增加（因为小的滤波器模板只能得到local features, 而大的滤波器模板可以得到高层的抽象特征），而这样做却会带来计算上的瓶颈。好的解决办法就是在计算量增加较多的地方采用降维和投影操作，具体来说，先使用1×1 convolutions算子来进行降维，再进行3×3和5×5 的卷积操作。关于1×1 convolution, 可能大家跟我一样，在以前没有听说过，这里解释一下，假设有一个卷积层的输出尺寸为（batch_size, feature_map_num1, height, width），其后接的是1×1 convolutions层，且其输出尺寸为（batch_size, feature_map_num2, height, width），那么当feature_map_num1 > feature_map_num2时，就达到了降维的效果，显然这里降低的是“feature map dimension”。总的来说，将这样的Inception模块级联在一起就构成了Inception网络，该网络中有时也会采用max-pooling操作来降低feature map的分辨率。Inception架构改进前后的图如下，其中“Filter concatenation”指的是将各个滤波器输出的feature maps，沿着feature maps维度堆叠在一起。（这里的卷积操作不考虑边界效应，即卷积前后单个feature map的尺寸保持不变，所以才可以’堆叠’）。
GoogLeNet架构介绍
GoogLeNet架构的核心是Inception模块，深度达到了27层，显然我们可以想到的是，在使用BP（back propagation）算法训练模型的时候，怎么克服“梯度消失”问题呢？大牛们想到了一个先验信息，层数相对较小的网络在分类问题上也可以取得不错的性能，那么深度网络中间层的特征对于分类来说，是有很强的区分能力的。通过添加辅助的分类器连接到这些中间层，不仅可以增加这些较低layers对于整个网络的最终输出的“贡献度”，从而解决梯度消失问题（事实上，有的算法在计算梯度时，采取了truncated的思想，其实质就是假定了较低layers对于网络的输出的贡献度低），还可以增强反向传播的梯度信号，对中间层进行额外的正则化操作。当然了，采用Relu激活函数对“梯度消失”现象也有一定的缓解作用。在训练阶段，总损失为主分类器的损失和辅助分类器的损失的加权求和，在测试阶段，辅助网络便被舍弃了。GoogLeNet网络的拓扑结构如下图，
特征可视化
（1）加载和显示模型图
因为GoogLeNet网络结构复杂，训练时间非常长，个人的话可能很难重头开始训练，幸运的是，google团队提供了他们训练好的一套模型参数，可以直接加载model graph到本地，这一部分的官方源代码比较琐碎，但语法都比较简单，这里就不细讲了。
（2）朴素的特征可视化
关于深度神经网络的可视化，比较常见的是在训练好模型后，对某一层的权重参数进行可视化，因为权重参数实际上相当于一个空域滤波器。在这里，为了研究网络要学习输入图像中的什么特征，定义目标函数为网络中指定卷积层的指定feature map的平均值，参数为输入图像，而网络中之前学到的权值参数等为固定值（这里理解起来可能有些不太适应，大家可以结合优化问题的目标慢慢体会就好），这样就构建出了一个最大化问题，即寻找到使得某一feature map的平均值最大化的输入特征，于是便可以采用较常规的梯度上升方法来求解该问题。值得一提的是，官方源代码render_naive函数中，在计算出梯度后进行了标准化操作，这是因为deep layers相对于shallow layers的梯度可能偏小，这样做便可以使得不同层的学习速率基本相同了。当输入特征图初始化为均匀分布的随机噪声RGB图像时，在经过20次迭代更新操作之后，输入特征图像如下，
（3）多尺度图像生成
这里的多尺度是基于原图像尺寸而言的，具体来说，采用（2）中的方法可以学习到原始尺寸的特征图，然后对该特征图进行放大（可以采用多种插值方法，比如双线性插值），在从放大图中选择子窗口图像作为初始特征，重复以上过程。当然，这样会产生“块效应”，但可以在放大图中采用随机滑动的方式得到子窗口，从而有效地克服“块效应”问题。在经过3次这样的放大操作，每次放大图像进行了10次迭代更新操作之后，输入特征图像如下，
（4）特征迁移
在研究不同卷积层所学的输入特征后可以发现，deep layers要从输入图像中学习到非常复杂的特征，而与之相反，shallow layers要学到的特征相对较简单，如下左右两图分别是deep layers和shallow layers要学习到的特征图，
上面这张图是当输入初始化图为均匀分布的随机噪声得到的，那么如果我们初始化成特定的图像，会是什么效果呢？当然是会学习到图像中存在的一些模式，且这些模式和不同层的feature map是一一对应的。我实验了一张山水图，其处理前后的对比效果如下，
我也测试了一下lena图像迁移前后的效果，看着心里发慌，为了不破坏女神的形象，在这里就不贴了～
参考资料：”Going deeper with convolutions”. Christian Szegedy, Wei Liu, Yangqing Jia, etc.
https://github.com/tensorflow/tensorflow/blob/r0.11/tensorflow/examples/tutorials/deepdream/deepdream.ipynb