问题引出

人们经常把CNN看做黑箱，所以CNN到底干了些什么

可视化模型学到了什么

可视化卷积核

通过可视化卷积核，知道卷积核在寻找什么。让模板向量和另一个向量相乘，得到标量结果，当这两个向量匹配（match up）的时候，结果最大化（比如，让一个向量与自己相乘，结果最大）。

比如，将AlexNet中第一层64个尺寸为3*11*11的卷积核展示位64个11*11、3通道的图片。

可以看到，几个模型中第一层卷积核都在寻找有向边（oriented edge）

中中间层权重的可读性比较差。下面的中间层是将每一个卷积核（16*7*7）展开成16个图片，看不出来这些权重在寻找什么特征。因为这些权重是与第一层的输出相连，而不是直接与图片相连，所以我们看到的是第一层什么样的特征能让第二层最大激活，然而第一层卷积特征在图片上的展示是不好解读的

可视化最后一层的特征

近邻法

将一些图片送入CNN，收集他们在最后一层的4096维特征向量，用L2近邻法将这些特征向量与第一列（红线左侧）测试图片的特征向量比较，红线右侧是得到的近邻。观察第二行的大象，红线右侧第三个大象位于右侧，而测试图片位于左侧，按道理讲他们的像素几乎完全不同（almost entirely different），但是特征向量差别不大，据此Justin认为特征向量捕捉的是图片的语义内容

维度压缩

mnist数据集图片尺寸28*28，运用t-SNE将28*28维的原始像素特征空间压缩成2维，可以看到下图中的自然集群，这些集群对应了mnist数据集中的数据

将大量图片送入CNN，收集他们的4096维特征向量，通过t-SNE降维把4096维特征空间压缩到2维特征空间

可视化激活值

AlexNet第五层的激活结果是13*13*256向量，其中一个GUP给出的结果是13*13*128向量，将这些向量可视化为128张图片（因为只有1个通道，所以图是灰色的）。测试图下面的那个图片是右边绿色框内图片的放大，可以看到该层激活量的一个slice（即feature map）正在寻找类似人脸的东西

Yosinski et al, “Understanding Neural Networks Through Deep Visualization”, ICML DL Workshop 2014

理解输入图片像素

识别重要的像素

maximally activating patches

图像中什么样的块可以最大限度地激活不同的神经元。取AlexNet中第五层卷积层的第17个通道，将大量图片送入AlexNet，记录下每个图片在该通道的值，找到该通道中被激活程度最大的neuron（即该feature map / channel中的一个标量），记录下输入图片中对应于该neuron的感受野（即图片中的一块图像）。由于卷积的性质，一个通道中的神经元（标量）共享权重，换句话说，一个通道由且只由一个卷积核产生，于是通过上面的操作，可以知道这个卷积核在寻找什么特征。

比如下图中的第一行对应于某个卷积核，说明网络中特定层的该卷积核寻找的是输入图像中蓝色的圆形物体。底部的几行对应于同一神经网络的较高层中最大化激活了neuron的图像块，因为他们来自于较高层，所以具有更大的感受野，可以感受到输入图像中更大的图像块，可以发现他们在寻找输入图像中较大的结构

遮挡实验

输入图像中的哪个部分导致CNN做出分类决定。在图像中遮挡某个区域，然后替换成图像值的平均像素值，送入CNN，得到预测概率

将遮挡住的区域多换几个位置(划过整个图片)，绘制热力图heat map，热力图显示了预测概率与遮挡区域的关系。概率下降越大，说明遮挡的区域越重要。红色是低预测概率，黄色是高预测概率

Saliency Map

计算分类得分关于输入图片每个像素的梯度。图片中每一个像素的扰动，对该分类得分的影响有多大。能看到下图中小狗的轮廓。

在语义分割中可以用到Saliency Map，尤其是在没有标签的情况下。可以细分出图像汇总的对象，不过效果与有监督学习的情况相比，要差的多

通过Guided backprop生成 图片

选取网络中间层的neuron（maximally activating patches选取的是中间层的一个channel），计算它关于输入图片像素的梯度，得到输入图像的哪个部分会影响该neuron的得分。计算的时候可以采用 Saliency Map。在方向传播的时候对算法进行微调，只传播正梯度，不传播负梯度。