deep dream 尝试
下面为博客摘要，详细内容请看http://keke046.github.io/2021/12/26/deep-dream/
![]()
![]()
优化目标为：$$\delta = \text{argmax} _ \delta \quad ||G _ L(x + \delta)|| _ 2^2 - \lambda \sum _ {c,i,j} |x _ {c,i,j} - \overline{x} _ c | \cdot | \delta _ {c,i,j}|$$然后用Adam优化器优化 $\delta$ 就可以了。jpg %}!--more--# 方法去看了一下 deep dream，感觉和对抗攻击很像，就是优化器不去优化网络，而是去优化输入图像。{% asset_img img。!-- indicate-the-source --# 效果用VGG16预训练模型，$L=17$（RELU也算一层），$lr=0。图像一个点与均值的差异越大，这个点的扰动的惩罚就越大。08$，$\lambda=0。jpg %} {% asset_img dream。设$x$为输入图像，$\delta$为加入的扰动，$G_L$为网络第$L$层输出，带 $\lambda$ 的是惩罚项，其中$c$表示通道。# Code在github上开源：[https://github。**优化的目标就是让神经网络某一层的神经元的总响应（输出的范数）最大化**。com/KEKE046/deep-dream)。实际测试的时候，发现图像中**较亮的部分和比较暗的部分容易被加到溢出，需要加入正则**。08$，金字塔每层优化器迭代5次，感觉很克苏鲁。网上很多做 deep dream 的就是对输入图像求梯度，其实**完全可以用 Adam 来优化输入，应该会跑得快很多**。一来就去优化最大的规格图像，容易产生很多高频的局部噪音（因为卷积是局部的）。处理方法是，先把图像缩到最小，让网络dream，然后把dream之后图像放大，放大后再让网络dream，然后再放大……**把小图像放大相当于增加了低频信息，这样得到的效果会比较好**。com/KEKE046/deep-dream](https://github。在具体做的时候，有一个技巧，就是要分级做
效果
用VGG16预训练模型，$L=17$（RELU也算一层），$lr=0.08$，$\lambda=0.08$，金字塔每层优化器迭代5次，感觉很克苏鲁。
优化目标为：$$\delta = \text{argmax} _ \delta \quad ||G _ L(x + \delta)|| _ 2^2 - \lambda \sum _ {c,i,j} |x _ {c,i,j} - \overline{x} _ c | \cdot | \delta _ {c,i,j}|$$然后用Adam优化器优化 $\delta$ 就可以了。jpg %}!--more--# 方法去看了一下 deep dream，感觉和对抗攻击很像，就是优化器不去优化网络，而是去优化输入图像。{% asset_img img。!-- indicate-the-source --# 效果用VGG16预训练模型，$L=17$（RELU也算一层），$lr=0。图像一个点与均值的差异越大，这个点的扰动的惩罚就越大。08$，$\lambda=0。jpg %} {% asset_img dream。设$x$为输入图像，$\delta$为加入的扰动，$G_L$为网络第$L$层输出，带 $\lambda$ 的是惩罚项，其中$c$表示通道。# Code在github上开源：[https://github。**优化的目标就是让神经网络某一层的神经元的总响应（输出的范数）最大化**。com/KEKE046/deep-dream)。实际测试的时候，发现图像中**较亮的部分和比较暗的部分容易被加到溢出，需要加入正则**。08$，金字塔每层优化器迭代5次，感觉很克苏鲁。网上很多做 deep dream 的就是对输入图像求梯度，其实**完全可以用 Adam 来优化输入，应该会跑得快很多**。一来就去优化最大的规格图像，容易产生很多高频的局部噪音（因为卷积是局部的）。处理方法是，先把图像缩到最小，让网络dream，然后把dream之后图像放大，放大后再让网络dream，然后再放大……**把小图像放大相当于增加了低频信息，这样得到的效果会比较好**。com/KEKE046/deep-dream](https://github。在具体做的时候，有一个技巧，就是要分级做