Python迁移学习

第9章　DeepDream

本章重点介绍生成深度学习领域，生成深度学习一直是人工智能前沿的核心思想之一。我们将重点研究卷积神经网络是如何利用迁移学习来思考或对图像中的模式进行可视化的。它们可以生成前所未见的用于描绘卷积神经网络的思考甚至梦境中的图形模式。DeepDream网络于2015年由谷歌公司首次发布，由于深度网络能够从图像中生成有趣的模式，因此DeepDream引起了巨大的轰动。本章的主要内容包括：

• 动机——心理幻想性视错觉；
• 在计算机视觉中的算法幻想性视错觉；
• 通过对CNN的中间层进行可视化，了解CNN学到了什么；
• DeepDream算法以及如何创建自己的dream网络。

和前面几章一样，本章内容会将概念知识和直观的实践例子相结合。本章的代码可以从异步社区的网站获取。

9.1　介绍

在详细介绍神经DeepDream之前，我们先来看看相关的类似经历。你是否尝试过在云层中寻找某个物体的形状，在电视机显示的图像中寻找抖动和嘈杂的信号，甚至在吐司面包上看到一张脸？

幻想性视错觉是一种心理现象。它让我们在一种随机刺激中发现模式，就好像是一种我们感知一张实际上并不存在的脸或模式的倾向。这常常会让我们将人类特征分配给物体。需要注意的是，看到一个不存在的模式（假阳性）相较于看不到一个存在的模式（假阴性）的进化结果的重要性。例如：在没有狮子的地方恍惚间看到狮子并不危险；然而如果忽略了一头正在捕食的狮子，结果通常是致命的。

幻想性视错觉的神经基础主要位于大脑颞叶中一个被称为梭状回的区域。在这个区域中，人类和其他动物有专门用来识别人脸和其他物体的神经元。

9.1.1　计算机视觉中的算法幻想性视错觉

计算机视觉的主要任务之一是目标检测，尤其是人脸检测。现在已经有许多具有人脸检测功能的电子设备能够在后台运行这类算法并检测人脸。那么当我们把导致幻想性视错觉的物体的数据放在这些软件中时会发生什么呢？有时这些软件能用和我们一样的方式解读人脸，有时它可能与我们的想法一致，有时它会产生不一样的结果。 ...