Глубокие изображения мечты Используя AlexNet
В этом примере показано, как сгенерировать изображения с помощью deepDreamImage с предварительно обученной сверточной нейронной сетью AlexNet.
Глубокая Мечта является методом визуализации функции в глубоком обучении, которое синтезирует изображения, которые строго активируют сетевые слои. Путем визуализации этих изображений можно подсветить функции изображений, изученные сетью. Эти изображения полезны для понимания и диагностирования сетевого поведения.
Можно сгенерировать интересные изображения путем визуализации функций слоев к концу сети.
Пример использует Deep Learning Toolbox™ и Модель Deep Learning Toolbox для Сети AlexNet, чтобы сгенерировать изображения.
Загрузите предварительно обученную сеть
Загрузите предварительно обученную Сеть AlexNet. Если Модель Deep Learning Toolbox для пакета Сетевой поддержки AlexNet не установлена, то программное обеспечение обеспечивает ссылку на загрузку.
net = alexnet;
Сгенерируйте изображение
Чтобы произвести изображения, которые напоминают данный, классифицируют наиболее тесно, выбирают итоговый полносвязный слой. Во-первых, найдите индекс слоя этого слоя путем просмотра сетевой архитектуры в Layers свойство сети net.
net.Layers
ans =
25x1 Layer array with layers:
1 'data' Image Input 227x227x3 images with 'zerocenter' normalization
2 'conv1' Convolution 96 11x11x3 convolutions with stride [4 4] and padding [0 0 0 0]
3 'relu1' ReLU ReLU
4 'norm1' Cross Channel Normalization cross channel normalization with 5 channels per element
5 'pool1' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
6 'conv2' Grouped Convolution 2 groups of 128 5x5x48 convolutions with stride [1 1] and padding [2 2 2 2]
7 'relu2' ReLU ReLU
8 'norm2' Cross Channel Normalization cross channel normalization with 5 channels per element
9 'pool2' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
10 'conv3' Convolution 384 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
11 'relu3' ReLU ReLU
12 'conv4' Grouped Convolution 2 groups of 192 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
13 'relu4' ReLU ReLU
14 'conv5' Grouped Convolution 2 groups of 128 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
15 'relu5' ReLU ReLU
16 'pool5' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
17 'fc6' Fully Connected 4096 fully connected layer
18 'relu6' ReLU ReLU
19 'drop6' Dropout 50% dropout
20 'fc7' Fully Connected 4096 fully connected layer
21 'relu7' ReLU ReLU
22 'drop7' Dropout 50% dropout
23 'fc8' Fully Connected 1000 fully connected layer
24 'prob' Softmax softmax
25 'output' Classification Output crossentropyex with 'tench' and 999 other classes
Затем выберите итоговый полносвязный слой. Итоговый полносвязный слой является слоем 23.
layer = 23;
Можно сгенерировать повторные изображения целиком путем выбора нескольких классов. Выберите классы, которые вы хотите визуализировать установкой channels быть индексами тех имен классов.
channels = [9 188 231 563 855 975];
Классы хранятся в Classes свойство выходного слоя (последний слой). Можно просмотреть имена выбранных классов путем выбора записей в channels.
net.Layers(end).Classes(channels)
ans = 6×1 categorical array
hen
Yorkshire terrier
Shetland sheepdog
fountain
theater curtain
geyser
Сгенерируйте изображения с помощью deepDreamImage. Эта команда использует совместимый графический процессор при наличии. В противном случае это использует центральный процессор. CUDA® включил NVIDIA®, графический процессор с вычисляет возможность 3.0, или выше требуется для обучения на графическом процессоре.
I = deepDreamImage(net,layer,channels);
|==============================================| | Iteration | Activation | Pyramid Level | | | Strength | | |==============================================| | 1 | 1.82 | 1 | | 2 | 4.62 | 1 | | 3 | 8.05 | 1 | | 4 | 12.29 | 1 | | 5 | 18.16 | 1 | | 6 | 21.09 | 1 | | 7 | 30.07 | 1 | | 8 | 34.69 | 1 | | 9 | 40.84 | 1 | | 10 | 47.12 | 1 | | 1 | 15.60 | 2 | | 2 | 14.05 | 2 | | 3 | 23.96 | 2 | | 4 | 21.54 | 2 | | 5 | 31.55 | 2 | | 6 | 25.97 | 2 | | 7 | 34.30 | 2 | | 8 | 33.81 | 2 | | 9 | 38.06 | 2 | | 10 | 33.47 | 2 | | 1 | 39.11 | 3 | | 2 | 47.44 | 3 | | 3 | 52.80 | 3 | | 4 | 58.48 | 3 | | 5 | 52.16 | 3 | | 6 | 63.92 | 3 | | 7 | 65.21 | 3 | | 8 | 67.41 | 3 | | 9 | 76.46 | 3 | | 10 | 71.61 | 3 | |==============================================|
Отобразите все изображения вместе с помощью imtile.
figure I = imtile(I); imshow(I)
Сгенерируйте более подробные изображения
Увеличение числа уровней пирамиды и итераций на уровень пирамиды может произвести более подробные изображения за счет дополнительного расчета.
Можно увеличить число итераций с помощью 'NumIterations' опция. Определите номер итераций к 100.
iterations = 100;
Сгенерируйте подробное изображение, которое строго активирует 'куриный' класс (канал 9). Установите 'Verbose' ко лжи, чтобы подавить подробную информацию о процессе оптимизации.
channels = 9; I = deepDreamImage(net,layer,channels, ... 'Verbose',false, ... 'NumIterations',iterations); figure imshow(I)
Чтобы произвести большие и более подробные выходные изображения, можно увеличить и число уровней пирамиды и итерации на уровень пирамиды.
Определите номер уровней пирамиды к 4.
levels = 4;
Сгенерируйте подробное изображение, которое строго активирует класс 'горшка' (канал 739).
channels = 739; I = deepDreamImage(net,layer,channels, ... 'Verbose',false, ... 'NumIterations',iterations, ... 'PyramidLevels',levels); figure imshow(I)
