使用deep dream做了很多圖，從中確實能直觀地學到一些東西。
下面是自己做的視頻，使用不同通道生成了一些圖形，並對比了不同的迭代次數下生成的圖片。
https://www.bilibili.com/video/av65825597/
https://www.bilibili.com/video/av65882277/
https://www.bilibili.com/video/av65973012/
使用inception v3的通道對圖片進行梯度上升完成訓練。
圖片被壓縮，分成高低頻，恢復原尺度的過程逐漸訓練，完成大尺寸圖的deep dream訓練。
有些有意思的點總結一下：
1.一個通道不夠代表一個“類別”
這是肯定的，畢竟不是softmax輸出，只是卷積層，卷積層抽象出來的是一個特徵。每個通道可能只通過某一種特徵，比如蛇的鱗、比如狗頭、比如人的嘴，比如猩猩的臉，不同通道組合起來共同產生一個類別的特徵集合才足證一個類別。
2.一個通道不只代表一個“類別”
上圖都是高次數迭代的抽象圖，如果迭代不同的次數，會發現有些特徵在迭代次數少的時候有，高的時候被覆蓋了。說明一個通道也不止“一個”特徵（這裏的一個都是人類思維）
如下圖，低次迭代時，能看到類似孔雀羽毛或者狗頭之類的東西，總之是毛茸茸的，而遠處的圖形（比較好訓練）先成了彩色圓管。但是高次迭代後，這些毛茸茸的東西都消失了，主要集中在彩色的圓管形狀。我的認知是，一個通道有多個特徵，每個特徵的權重不同，佔的權重大的很容易凸顯，尤其高次迭代訓練後。（我說的權重可能是比重，而不是weight具體數值，但是也許對應關係差不多）
3.高低頻都代表什麼？
在梯度上升進行deep dream操作中，小型圖片是一次性操作，但是對大型圖片的deep dream涉及到圖片的縮放和高低頻分離。
如下，高低頻的分離代碼，循環是圖片縮放，循環內是高低頻分離，留下低頻，高頻統一放在數組中。
lo就是圖片縮小，hi是原圖減去lo的再放大（不然像素不對），lo的一縮一放導致圖片“失真”，hi就是原圖剪掉這些失真部分，所以（不同尺度下）hi永遠都是輪廓
（後續的操作——梯度上升迭代，也是基於這個分離，先給低頻圖做地圖上升，然後逐漸放大，並且把hi加回去，一直放大到原圖尺寸，從而保留高頻“邊緣信息”）
octaves = []
for i in range(octave_n - 1):
hw = img.shape[:2]
lo = resize(img, np.int32(np.float32(hw) / octave_scale))
hi = img - resize(lo, hw)
hi_print = hi.copy()
lo_print = lo.copy()
img = lo
octaves.append(hi)
如下三圖，分別爲原圖、高頻圖、低頻圖。可以看到，高頻圖只剩下輪廓，而低頻圖（相較原圖）則丟失了輪廓，用我的話說，叫銳度降低、邊緣淡化、圖片平面化。總之就是山的邊角輪廓已經不分明瞭（雖然你根據經驗，還是覺得山上有懸崖，還是覺得近處的山和遠處的水是分開的）
其他的，想到了再補充，有空也會傳更多通道的抽象圖片的視頻