cs231 Network Visualization (PyTorch)
在本笔记本中，我们将探索使用图像梯度来生成新图像。
在训练模型时，我们定义一个损失函数，用来测量我们当前对模型性能的损失程度，使用反向传播来计算损失相对于模型参数的梯度，并对模型参数执行梯度下降来最小化损失。在这里，我们会做一些稍微不同的事情。我们将从卷积神经网络模型开始，该模型已经被预训练用于对ImageNet数据集执行图像分类。我们将使用这个模型来定义一个损失函数，它量化我们当前对图像的损失度，然后使用反向传播来计算这个损失相对于图像的像素的梯度。然后，我们将保持模型固定，并对图像执行梯度下降以合成新图像，使损失最小化。
在本笔记本中，我们将探讨三种用于图像生成的技术： -Saliency Maps：Saliency Maps是一种快速方法，用来判断图像的哪个部分影响网络做出的分类决策。
-Fooling Images：我们可以干扰输入图像，使其看起来与人类观察的图片一样，但会被预先训练的网络误分类。
-分类可视化：我们可以合成一个图像来最大化一个特定类的分类分数；这可以让我们知道当网络对那个类的图像进行分类时，它在寻找什么。本笔记本使用PyTorch。
# -*- coding: utf-8 -*-
import torch
import torchvision
import torchvision.transforms as T
import random
import numpy as np
from scipy.ndimage.filters import gaussian_filter1d
import matplotlib.pyplot as plt
from cs231n.image_utils import SQUE
