我正在研究神经网络，或更具体地说，目前正在研究图像分类。当我阅读时，我想知道以下内容是否已经完成/可行。如果有人可以向我指出一些来源或想法，我将不胜感激！
在传统的神经网络中，您有图像的训练数据集和网络中神经元的权重。目标是优化权重，以便图像的分类对于训练数据来说是准确的，并且新图像尽可能好。
我想知道你是否可以扭转这个： 给定一个神经网络及其神经元的权重，生成一组与网络分离的类别相对应的图像，即该特定网络能够很好分类的图像类型的原型。
在我看来，它的工作原理如下（我确信这不是完全可以实现的，但只是为了让大家理解这个想法）： 想象一个神经网络，它能够对包含猫、狗标签以及两者都不包含的图像进行分类。 我想要的是“逆”，即一张猫的图像、一张狗的图像和一个距离其他两个类“最远”的图像。 我认为这可以通过生成图像并最小化一个特定类的损失函数，同时最大化所有其他类的损失函数来完成。
这就是 Google Deep Dream 将其“梦想”可视化的方式吗？
这就是 Google Deep Dream 将其“梦想”可视化的方式吗？
看起来差不多，至少背后的人是这么解释的：
可视化[神经网络层]中发生的情况的一种方法是将网络颠倒过来，并要求它以引发特定解释的方式增强输入图像。假设您想知道什么样的图像会产生“香蕉”。从充满随机噪声的图像开始，然后逐渐将图像调整为神经网络认为的香蕉（请参阅相关工作 [...]）。就其本身而言，这并不能很好地发挥作用，但如果我们施加一个先验约束，即图像应该具有与自然图像类似的统计数据，例如需要相关的相邻像素，那么它就可以发挥作用。
来源 - 整篇博文值得一读。
我想你可以从Karpathy的博客中了解主流的做法： http://karpathy.github.io/2015/03/30/writing-convnets/
正常的 ConvNet 训练：“当我调整这个参数时，正确类别的分数会发生什么变化？”
创建愚人图像：“当我摆动这个像素时，（无论你想要什么类别）的分数会发生什么变化？”
用图像欺骗分类器非常接近您的要求。为了实现您的目标，您需要在损失函数中添加一些正则化，以避免完全误导的结果 - 绝对最小损失可能会导致图像非常扭曲。