【论文解读】ZFNet中的特征可视化
这篇文章通过对特征图进行可视化，使得神经网络这个黑盒不再那么黑。ZFNet的网络结构是基于AlexNet改的，如下图所示，比较清晰明了。
从上图注意到，ZFNet含5个卷积层Layer1~Layer5以及2个fc层Layer6、Layer7，特征可视化是针对的Layer1~Layer5。我们知道一个标准的卷积层大概包含三个步骤：Conv(卷积)->Activation(**)>Pooling(池化)。如果要将特征图可视化，你需要有一个逆操作，将feature map还原到原图像素尺寸。作者在这里提出了deconvnet层，就是用来完成这个逆操作。例如，假如要对Layer5的特征图(尺寸为13x13x256)进行可视化，需要连续5次deconvnet，以还原到224x224x3尺寸。deconvnet层和convnet层配套使用，具体结构如下图所示。
这里涉及到几个关键步骤：
- Max Unpooling
在convenet层含max pooling操作，这个操作理论上是不可逆的，但是正因为是max pooling，只要记住max值的位置仍然可以近似还原出来。文中所提到的Switches就是来存储这个映射关系的。
- 转置卷积
搞定了Max Pooling的逆操作后，还剩下Conv的逆操作哟。原文中是这样说的"uses transposed versions of the same filters"，也就是说对Conv的卷积核进行转置，然后将这个转置卷积核作用于上层经过**后的特征图。
关于转置卷积强烈建议阅读下面的参考文章。
【参考文章】
#代码实现
https://github.com/hvy/chainer-visualization
#转置卷积
https://blog.csdn.net/LoseInVain/article/details/81098502