假如你训练了一个卷积神经网络，是一个 Alexnet，轻量级网络，你希望将看到不同层之间隐藏单元的计算结果。
从第一层的隐藏单元开始，假设你遍历了训练集，然后找到那些使得单元激活最大化的一些图片，或者是图片块。换句话说，将你的训练集经过神经网络，然后弄明白哪一张图片最大限度地激活特定的单元。注意在第一层的隐藏单元，只能看到小部分卷积神经，如果要画出来哪些激活了激活单元，只有一小块图片块是有意义的，因为这就是特定单元所能看到的全部。你选择一个隐藏单元，发现有 9 个图片最大化了单元激活，你可能找到这样的 9 个图片块：
似乎是图片浅层区域显示了隐藏单元所看到的，找到了像这样的边缘或者线:
然后你可以选一个另一个第一层的隐藏单元，重复刚才的步骤，这是另一个隐藏单元：
看来这个隐藏单元在输入区域，寻找这样的线条：
对其他隐藏单元也进行处理，会发现其他隐藏单元趋向于激活类似于这样的图片：
以此类推，这是 9 个不同的代表性神经元，每一个不同的图片块都最大化地激活了。你可以这样理解，第一层的隐藏单元通常会找一些简单的特征，比如说边缘或者颜色阴影。
在深层部分，一个隐藏单元会看到一张图片更大的部分，在极端的情况下，可以假设每一个像素都会影响到神经网络更深层的输出，靠后的隐藏单元可以看到更大的图片块：
由此可以看到，第一层的边缘，第二层的质地，一直到深层的复杂物体。
本文链接：http://task.lmcjl.com/news/6104.html
