相关疑难解决方法(0)

假设我们有一个经过训练的卷积神经网络，可以在Tensor-Flow中对图像进行分类（wlog灰度）。

给定经过训练的网络和测试图像，人们可以追踪其中的哪些像素是显着的，或者“等效地”追踪哪些像素最负责图像的输出分类。在Theano一个漂亮的解释和实施细则，在此给出的文章。

假设对于与输入图像直接链接的第一层卷积，我们确实具有每个卷积核的参数梯度。分类功能。

如何将梯度传播回输入层，以便计算图像的每个像素的偏导数？

1. 传播并累积回梯度，将为我们提供显着的像素（它们是幅值较大的像素）。

2. 找到梯度wrt。到目前为止，我做了第一层的内核：

   1. 将通常的损失算子替换为输出层算子。
   2. 使用了“ compute_gradient”功能，

总而言之，它看起来像：

• opt = tf.train.GradientDescentOptimizer（1）
• 等级= opt.compute_gradients（输出）
• grad_var = [（grad 1代表grads等级）
• g1 = sess.run（[grad_var [0]]）

其中，“输出”是NN的输出层的最大值。g1是一个（k，k，1，M）张量，因为我在第一层使用了M：kxk卷积核。

现在，我需要找到在每个输入像素上传播g1的正确方法，以计算其导数wrt。输出。