我目前正在研究神经网络，或者更具体地说是图像分类。当我阅读时，我想知道以下是否已经完成/是否可行。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，您有一个图像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一点：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相对应的图像，即这个特定网络能够处理的图像类型的原型分类好。
在我看来，它的工作原理如下（我确信这不太可能实现，但只是为了让这个想法得到理解）：想象一个神经网络，它能够对包含标签 cat、dog 的图像进行分类，但都不包含这些标签。我想要的是“逆”，即猫的图像，狗的图像和与其他两个类别“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来完成，同时最大化所有其他类的损失函数。
谷歌 Deep Dream 是如何将它“梦想”的东西形象化的吗？
我希望我的意思很清楚，如果不是，我会回答任何问题。
谷歌 Deep Dream 是如何将它“梦想”的东西形象化的吗？
几乎，似乎，至少它背后的人是这样解释的：
可视化[在神经网络层中]发生的事情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导致“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（参见相关工作 [...]）。就其本身而言，这并不能很好地工作，但如果我们强加一个先验约束，即图像应该具有与自然图像相似的统计数据，例如需要关联的相邻像素，它就可以了。
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/break-convnets/
正常的 ConvNet 训练：“当我摆动这个参数时，正确班级的分数会发生什么变化？”
创建愚弄图像：“当我摆动这个像素时，（无论你想要什么课程）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 - 绝对最小损失可能是非常扭曲的图片。