使用反卷积来可视化神经网络和自动编码器的作用有什么区别？

Question

我查看了Zeiler (arxiv/pdf)的论文，以及他在youtube上谈论的一些视频，我试图用tensorflow重现它，我遇到了一个名为autoencoders的东西，它有一个程序， （to and outsider）看起来很相似，如：

在Zeiler的论文中：

1. 卷入输入。
2. 将其传递给RELU。
3. 执行合并。
4. ...冲洗并重复所有图层，完成后，将过程反转回像素空间，

在自动编码器中：

将其与我在github (github python file)上看到的自动编码器进行比较，这样做：

1. 卷入输入
2. 通过RELU
3. 执行合并
4. ...冲洗并重复其他图层，然后反向回到像素空间。

因此，要使用tensorflow执行conv网络的可视化， 这个自动编码器的代码有多么不同？我坚持尝试 弄清楚如何给出一组训练数据和训练有素的信号，我会想象一下图像有什么或没有它可以引起激活，如该文章所述。 （其中一位作者写了关于这个(clarifai.com NSFW)的博客，展示了他们的技术，并且使用caffe在开源代码(deepvis)中复制了论文的技术，但我不熟悉caffe，并且对tensorflow不熟悉） 。 怎么会这样做？

Answer 1

可能不是完整的比较，但

• Zeiler的devonv网通过记住在下采样（最大池）步骤中哪个像素是最大值来进行上采样。有不同的方法进行上采样。卷积自动编码器可以定义conv2d_transpose层，它只是conv2d的反向，但可以在训练期间学习参数。与简单地记录Zeiler方法中的最大像素位置相比，这样的层看起来更灵活（即，更多参数）。

• 待补充。