我对 Google 最近发表的一篇博客文章感兴趣，该文章描述了nn创造艺术。
我对一项技术特别感兴趣：
“在这种情况下，我们只需向网络提供任意图像或照片，然后让网络分析该图片。然后我们选择一个层并要求网络增强它检测到的任何内容。网络的每一层都处理不同抽象级别的特征，因此我们生成的特征的复杂性取决于我们选择增强哪一层。例如，较低的层往往会产生笔划或简单的装饰图案，因为这些层对边缘及其方向等基本特征敏感。
该帖子是http://googleresearch.blogspot.co.uk/2015/06/inceptionism-going-deeper-into-neural.html?m=1.
我的问题：这篇文章将其描述为一个“简单”的案例——是否有一个神经网络的开源实现可以在相对即插即用的过程中用于此目的？ 对于所描述的技术，网络是否需要进行训练？
毫无疑问，对于本文中提到的其他技术，需要一个已经在大量图像上训练过的网络，但对于我所描述的技术，是否已经存在某种开源网络层可视化包？
UPD：谷歌发布了他们如何实现它的更多详细说明：https://github.com/google/deepdream/blob/master/dream.ipynb
还有另一个项目：https://317070.github.io/Dream/
如果你读过1,[2],[3],[4] 从您的链接中，您会看到他们使用了 Caffe。该框架已经包含了可供使用的经过训练的网络。您不需要手动训练任何内容，只需使用 .sh 脚本下载模型即可models/ folder.
你想要“即插即用的过程”，这并不容易，因为除了框架之外，我们还需要他们使用的脚本的代码，可能还需要修补 Caffe。我尝试用他们的描述做一些东西。 Caffe 有 Python 和 Matlab 接口，但其内部还有更多内容。
下面的文字描述了我对如何实现它的想法。我不确定我的话，所以这更像是邀请我一起研究，而不是“即插即用过程”。但由于还没人回答，所以我就放在这里了。也许有人会修复我。
So
据我了解，他们进行了优化
[sum((net.forwardTo(X, n) - enchanced_layer).^2) + lambda * R(X)] -> min
IE。寻找这样的输入X以便网络的特定层将产生“增强”数据而不是“原始”数据。
存在正则化约束R(X): X应该看起来像“自然图像”（没有高频噪声）。
X是我们的目标图像。初始点X0是原始图像。forwardTo(X, n)是我们的网络在层中产生的n当我们用 X 提供输入时。如果谈论咖啡，您可以进行全前向传递（net.forward）并查看您感兴趣的斑点（net.blob_vec(n).get_data()).
enchanced_layer- 我们采用原始图层斑点并在其中“增强”信号。这是什么意思，我不知道。也许他们只是将值乘以系数，也许是其他东西。
Thus sum((forwardTo(X, n) - enchanced_net).^2)当您的输入图像在图层中准确生成您想要的内容时，该值将变为零n.
lambda是正则化参数，R(X) is how X看起来很自然。我没有实现它，我的结果看起来很吵。至于它的公式，你可以在[2]中查找。
我用Matlab和fminlbfgs来优化。
关键部分是找到上面公式的梯度，因为问题的维度太多，无法用数值方法计算梯度。
正如我所说，我没能找到梯度R(X)。至于公式的主要部分，我设法这样找到：
n to forwardTo(X, n) - enchanced_net。 （参见caffe文档set_diff and set_data, set_data用于转发和等待数据set_diff用于反向传播并等待数据错误）。n-1到输入。Python 和 Matlab 接口不包含部分反向传播，但 Caffe C++ 内部包含它。我在下面添加了一个补丁，使其可以在 Matlab 中使用。
第四层增强结果：
我对结果并不满意，但我认为与这篇文章有一些共同点。