来自https://github.com/google/deepdream/blob/master/dream.ipynb

def objective_L2(dst):          # Our training objective. Google has since release a way to load
    dst.diff[:] = dst.data      # arbitrary objectives from other images. We'll go into this later.

def make_step(net, step_size=1.5, end='inception_4c/output', 
              jitter=32, clip=True, objective=objective_L2):
    '''Basic gradient ascent step.'''

    src = net.blobs['data'] # input image is stored in Net's 'data' blob
    dst = net.blobs[end]

    ox, oy = np.random.randint(-jitter, jitter+1, 2)
    src.data[0] = np.roll(np.roll(src.data[0], ox, -1), oy, -2) # apply jitter shift

    net.forward(end=end)
    objective(dst)  # specify the optimization objective
    net.backward(start=end)
    g = src.diff[0]
    # apply normalized ascent step to the input image
    src.data[:] += step_size/np.abs(g).mean() * g

    src.data[0] = np.roll(np.roll(src.data[0], -ox, -1), -oy, -2) # unshift image

    if clip:
        bias = net.transformer.mean['data']
        src.data[:] = np.clip(src.data, -bias, 255-bias)

如果我正确理解发生了什么，输入图像 innet.blobs['data']将插入到 NN 中，直到 layer end。一次，前向传递完成，直到end，它会计算 处的 blobend与“某物”的“关闭”程度。

问题

• 这是什么“东西”？是dst.data吗？我逐步调试了一个调试器，发现它dst.data在赋值之后只是一个零矩阵，然后在反向传递之后填充了值。

• 无论如何，假设它发现前向传播的结果有多“偏离”，为什么它会尝试进行反向传播？我认为深度梦想的重点不是进一步训练模型，而是将输入图像“变形”为原始模型层所代表的任何内容。

• 具体是src.data[:] += step_size/np.abs(g).mean() * g做什么的？似乎将上面所做的任何计算应用于原始图像。这条线实际上是“变形”图像吗？

我已经阅读过的链接

• https://stackoverflow.com/a/31028871/2750819

我会对接受答案的作者的意思感兴趣

我们在其中获取原始层 blob 和“增强”信号。什么意思，我不知道。也许他们只是将值乘以系数，也许是别的。

• http://www.kpkaiser.com/machine-learning/diving-deeper-into-deep-dreams/

在这篇博文中，作者在旁边评论src.data[:] += step_size/np.abs(g).mean() * g：“更接近我们的目标数据。” 我不太清楚这里的“目标数据”是什么意思。

请注意，正如我在评论中建议的那样，我从https://stackoverflow.com/q/40690099/2750819交叉发布此内容。