阅读Zeiler&Fergus 的论文（我的总结），我想知道他们是如何训练 deconv 网络的。他们的数据是什么？

我认为对于他们想要分析的一个 CNN，他们只训练一个反卷积网络（与每层训练一个反卷积网络相反）。deconv 网络的特征（输入）是他们想要分析的层的激活。他们训练他们的输出是实际上是他们想要分析的层的输入的激活。因此，尽管他们总共有一个反卷积网络，但他们还是逐层训练它。所以对于每次训练运行，只调整一个反卷积层的权重。

但是，我想知道为什么这些图像看起来那么不切实际：

它是灰色的，因为 MSE 是训练目标吗？那么为什么第一层过滤器输出也不是灰色的呢？