MATLAB环境下基于AlexNet网络的Deep Dream图像生成

本文主要讲解如何使用预训练的卷积神经网络AlexNet生成Deep Dream图像

2015年Google发布了一个比较有意思的东西，Deep Dream，关于Deep Dream，可参考查看如下文章

Sherlock：一文理解Deep Dream

Google 开发的 Deep Dream 是如何用算法作画的？

Deep Dream是深度学习的一种特征可视化技术，能够生成强烈激活网络层的图像。通过可视化Deep Dream图像，可以突出显示深层网络学习到的图像特征，这些图像特征对于理解和调试网络非常有用

本文使用MATLAB的Neural Network Toolbox?, Neural Network Toolbox Model for AlexNet Network 来生成Deep Dream图像。

加载预训练网络

加载预训练的AlexNet 网络。如果Neural Network Toolbox Model _for AlexNet Network_没有安装，则MATLAB会提供下载链接。

net = alexnet;

生成图像

选择最后一个全连接层。首先查看网络层

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' Convolution 256 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' Convolution 384 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
13 'relu4' ReLU ReLU
14 'conv5' Convolution 256 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', 'goldfish', and 998 other classes

全连接层为第23层

layer = 23;

通过设置channels选择要可视化的类

channels = [9 188 231 563 855 975];

类名存储在输出层的ClassNames属性中

net.Layers(end).ClassNames(channels)

ans =

  6×1 cell array

    {'hen'              }
    {'Yorkshire terrier'}
    {'Shetland sheepdog'}
    {'fountain'         }
    {'theater curtain'  }
    {'geyser'           }

使用deepDreamImage函数生成图像

I = deepDreamImage(net,layer,channels);

显示图像

figure
montage(I)

生成更加细节的图像

增加所谓的“金字塔级别”（pyramid levels）的数量和每个pyramid levels的迭代次数可以生成更加细节的图像。

将迭代次数设置为100

iterations = 100;

强烈激活“hen”类别（通道 9）

设置pyramid levels为4

levels = 4;

强烈激活“pot”类（通道 739）。

详细代码

https://mianbaoduo.com/o/bread/Y5malZxp