What’s s going on inside ConvNets?
1. First Layer: Visualize Filters
卷积网络第一层特征以原图像的特征清晰的展现出来：
但是后续层的输出无法直接理解：
2. Last Layer
最后一层（全连接层）以最邻近算法得出物体类别：
用降维算法得出结果：
人脸检测特征激活值示例：
遮挡实验，用于检测图像某一部分影响识别结果的程度，右图中，像素越红影响越小，越白影响越大：
Saliency Maps
用类别得分梯度（最后一层）得到Saliency Maps，也可以看出像素层次的不同影响：
进一步，该图可用于图像分割
3. 中间层
3.1 Visualizing CNN features: Gradient Ascent
找到网络中某一神经元的意义：
构建最大神经元响应图步骤：
改进算法以更好显示：
中间层的最大神经元响应图：
多目标：Adding “multi-faceted” visualization gives even nicer results:(Plus more careful regularization, center-bias)
4. DeepDream: Amplify existing features
Rather than synthesizing an image to maximize a specific neuron, instead try to amplify the neuron activations at some layer in the network：
code:
结果图（最后一层）：
5. Feature Inversion
利用不同层进行图像重建：Reconstructing from different layers of VGG-16
6. Neural Texture Synthesis
算法步骤（没看懂。。。）：
Reconstructing texture from higher layers recovers larger features from the input texture：
7. Neural Style Transfer
合成流程图：
效果图：
Resizing style image before running style transfer algorithm can transfer different types of features：
Problem: Style transfer requires many forward / backward passes through VGG; very slow!
Solution: Train another neural network to perform style transfer for us!
效果图：
One Network, Many Styles:
