Question

我已经构建了一个基本的多层感知器，可以从MNIST数据集中学习。学习之后，我想从输出中获取输入，这意味着反转前馈功能以获得网络生成的图像。

我的整个代码与https://github.com/mnielsen/neural-networks-and-deep-learning/blob/master/src/network.py

类似

前馈功能如下：

def feedforward(self, a):
    """Return the output of the network if ``a`` is input."""
    for b, w in zip(self.biases, self.weights):
        a = sigmoid(np.dot(w, a)+b)
    return a

如果我尝试使用np.linalg.pinv来反转它，它就不起作用，因为在某些时候我必须反转一个向量并且解决方案不是唯一的，例如：

m = np.array([[3, 4]])
n = np.array([[1], [2]])
o = np.dot(m,n)
print(np.dot(np.linalg.pinv(m),o)) #not n

我被困在那里。我认为我需要一个hack来使np.linalg.pinv的输出更加连贯，因为因为它不能设法检索实际输入，因为sigmoid函数的逆表达式中存在对数，并且由于np.linalg.pinv给出的值，我最终得到负数，导致NaN无处不在。

有什么想法吗？

PS：最终目标是将随机噪音馈入网络并观看数字，因此我从http://googleresearch.blogspot.fr/2015/06/inceptionism-going-deeper-into-neural.html

中选择了梦想表达

Answer 1

如果我理解正确，则无需以任何方式反转网络，但您应创建一个随机图像并将其提供给网络并查看其执行情况。现在，您逐渐更改输入图像，使输出更接近您希望的输出。此外，您应该尝试使相邻像素在强度上彼此相似。

（这基本上就是所提供的链接所说的内容。）

我如何才能看到我在python梦想中的简单神经网络？

1 个答案: