deepDreamImage

R2026b

Deep Dream を使用したネットワークの特徴の可視化

構文

I = deepDreamImage(net,layer,channelIdx)

I = deepDreamImage(___,Name,Value)

説明

I = deepDreamImage(net,layer,channelIdx) は、layer によって指定された数値インデックスまたは名前に対応する層のネットワーク net 内で、チャネル channels を強く活性化するイメージの配列を返します。これらのイメージでは、ネットワークによって学習された特徴が強調表示されます。

I = deepDreamImage(___,Name,Value) は、1 つ以上の名前と値の引数によって追加オプションが指定されたイメージを返します。

例

畳み込みニューラル ネットワークの特徴の可視化

事前学習済みのネットワークを読み込みます。

net = imagePretrainedNetwork("squeezenet");

deepDreamImage を使用して、畳み込み層 fire3-squeeze1x1 で学習された 16 個の特徴を可視化します。PyramidLevels を 1 に設定し、イメージがスケーリングされないようにします。

layer = "fire3-squeeze1x1";
channels = 1:16;

I = deepDreamImage(net,layer,channels, ...
    PyramidLevels=1, ...
    Verbose=0);

tiledlayout("flow")
for i = 1:numel(channels)
    nexttile
    imshow(I(:,:,:,i))
end

入力引数

net — 学習済みネットワーク

dlnetwork オブジェクト

学習済みネットワーク。dlnetwork オブジェクトとして指定します。

deepDreamImage はイメージ入力層のあるネットワークのみをサポートします。

layer — 層のインデックスまたは名前

文字ベクトル | string スカラー

可視化する層。文字ベクトルまたは string スカラーとして指定します。layer を、活性化を可視化する層のインデックスまたは名前として指定します。分類層の特徴を可視化するには、最後の全結合層を選択します。

ヒント

ReLU 層またはドロップアウト層を可視化するように選択すると、これらの層がネットワークの勾配に及ぼす影響によって、有用なイメージが生成されない場合があります。

channelIdx — チャネル インデックス

数値インデックス | 数値インデックスのベクトル

チャネル インデックス。チャネル インデックスのスカラーまたはベクトルとして指定します。channelIdx がベクトルの場合、各チャネルの層の活性化は個別に最適化されます。選択可能な channelIdx は選択した層によって異なります。

名前と値の引数

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

R2021a より前では、コンマを使用して名前と値をそれぞれ区切り、Name を引用符で囲みます。

例: deepDreamImage(net,layer,channels,NumIterations=100,ExecutionEnvironment="gpu") は、ピラミッド レベルごとに 100 回の反復を使用してイメージを生成し、GPU を使用します。

InitialImage — Deep Dream アルゴリズムを初期化するイメージ

2 次元配列

Deep Dream アルゴリズムを初期化するイメージ。2 次元配列として指定します。この構文を使用して、ネットワーク層の活性化を最大化するためにイメージがどのように変更されるかを確認します。初期イメージの高さと幅の最小値は、選択した層までの (選択した層を含む) すべての層に依存します。

• ネットワークの最後の方の層では、初期イメージの高さと幅がイメージ入力層と少なくとも同じでなければなりません。

• ネットワークの最初の方の層では、初期イメージの高さと幅がイメージ入力層より小さくてもかまいません。ただし、選択した層でスカラー出力を生成するのに十分な大きさでなければなりません。

• 初期イメージのチャネルの数は、ネットワークのイメージ入力層のチャネルの数と一致しなければなりません。

初期イメージを指定しない場合、標準正規分布から抽出されたピクセルから成るランダム イメージが使用されます。詳細については、PyramidLevels を参照してください。

PyramidLevels — ピラミッド レベルの数

3 (既定値) | 正の整数

出力イメージの生成に使用する多重解像度イメージのピラミッド レベルの数。正の整数として指定します。ピラミッド レベルの数を増やすと、計算量が増加しますが、より大きな出力イメージを生成できます。初期イメージと同じサイズのイメージを生成するには、レベルの数を 1 に設定します。

例: PyramidLevels=3

PyramidScale — ピラミッド レベル間のスケーリング

1.4 (既定値) | 1 より大きい値のスカラー

各ピラミッド レベル間のスケーリング。1 より大きい値のスカラーとして指定します。ピラミッドのスケールを小さくすると、出力イメージに細かいディテールが組み込まれます。ピラミッドのスケールを調整することによって、ネットワークの最初の方の層で情報量の多いイメージを生成しやすくなります。

例: PyramidScale=1.4

NumIterations — ピラミッド レベルごとの反復回数

10 (既定値) | 正の整数

ピラミッド レベルごとの反復回数。正の整数として指定します。反復回数を増やすと、計算量が増加しますが、より詳細なイメージを生成できます。

例: NumIterations=10

OutputScaling — 出力に適用するスケーリングのタイプ

"linear" (既定値) | "clipped" | "none"

出力イメージに適用するスケーリングのタイプ。次のいずれかの値として指定します。

値	説明
"linear"	区間 [0 1] に出力ピクセル値をスケーリングします。それぞれの層のチャネルに対応する出力イメージ I(:,:,:,channel) は、個別にスケーリングされます。
"clipped"	イメージを [0 255] の範囲にクリッピングしてから、[0,1] の区間にスケーリングします。この方法では、多くの場合、より鮮やかなイメージが生成されます。
"none"	出力スケーリングを無効にします。

ピクセル値をスケーリングすると、ネットワークで出力イメージが誤分類される可能性があります。出力イメージを分類する場合は、OutputScaling の値を "none" に設定します。

例: OutputScaling="linear"

Verbose — 進行状況を表示するかどうかのインジケーター

1 (既定値) | 0

コマンド ウィンドウに進行状況を表示するためのインジケーター。Verbose と、1 (true) または 0 (false) で構成されるコンマ区切りのペアとして指定します。表示される情報には、ピラミッド レベル、反復回数、および活性化の強さが含まれます。

例: Verbose=0

データ型: logical

ExecutionEnvironment — ハードウェア リソース

"auto" (既定値) | "gpu" | "cpu"

ハードウェア リソース。次のいずれかの値として指定します。

• "auto" — 利用可能な場合、GPU を使用します。そうでない場合、CPU を使用します。

• "gpu" — GPU を使用します。GPU を使用するには Parallel Computing Toolbox™ ライセンスとサポートされている GPU デバイスが必要です。サポートされているデバイスの詳細については、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。Parallel Computing Toolbox または適切な GPU が利用できない場合、エラーが返されます。

• "cpu" — CPU を使用します。

出力引数

I — 出力イメージ

配列

出力イメージ。グレースケール イメージまたは RGB イメージのシーケンスが格納された 4 次元配列として返されます。この関数は、channels(k) の出力を最大化するイメージが I(:,:,:,k) になるように、I の 4 番目の次元に沿ってイメージを連結します。関数 imshow (Image Processing Toolbox) を使用して、出力イメージを表示できます。

アルゴリズム

この関数は、多重解像度イメージのピラミッドおよびラプラシアン ピラミッド勾配正規化を使用して高解像度イメージを生成する Deep Dream を実装します。ラプラシアン ピラミッド勾配正規化の詳細は、次のブログ投稿を参照してください。DeepDreaming with TensorFlow。

既定では、trainnet 関数は単精度浮動小数点演算を使用してニューラル ネットワークに学習させ、単精度の学習可能なパラメーターと状態パラメーターをもつネットワークを返します。GPU で学習させる場合は、trainingOptions 関数を使用して TrainingPrecision オプションを "automatic-mixed" に設定することで、パフォーマンス向上のために可能な限り半精度浮動小数点演算を使用できます。自動混合精度を使用する場合、trainnet 関数は、単精度の学習可能なパラメーターと状態パラメーターをもつネットワークを返します。

予測関数か検証関数を単精度の学習可能なパラメーターと状態パラメーターをもつ dlnetwork オブジェクトと組み合わせて使用する場合、単精度浮動小数点演算を使用して計算が実行されます。

予測関数か検証関数を倍精度 (double) の学習可能なパラメーターと状態パラメーターをもつ dlnetwork オブジェクトと組み合わせて使用する場合は、次のようになります。

• 入力データが単精度の場合、単精度浮動小数点演算を使用して計算が実行されます。

• 入力データが倍精度の場合、倍精度浮動小数点演算を使用して計算が実行されます。

MATLAB^® の浮動小数点データ型の詳細については、浮動小数点数を参照してください。

参照

[1] DeepDreaming with TensorFlow. https://github.com/tensorflow/docs/blob/master/site/en/tutorials/generative/deepdream.ipynb

バージョン履歴

R2017a で導入

R2024a: DAGNetwork オブジェクトおよび SeriesNetwork オブジェクトは非推奨

DAGNetwork オブジェクトおよび SeriesNetwork オブジェクトは推奨されません。代わりに、dlnetwork オブジェクトを使用してください。

dlnetwork オブジェクトを作成するには、関数 trainnet を使用します。既存の DAGNetwork オブジェクトまたは SeriesNetwork オブジェクトを dlnetwork オブジェクトに変換するには、関数 dag2dlnetwork を使用します。

参考

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | testnet | predict | forward | minibatchpredict | scores2label

トピック

• MATLAB による深層学習
• 事前学習済みの深層ニューラル ネットワーク
• GoogLeNet を使用した Deep Dream イメージ
• 畳み込みニューラル ネットワークの特徴の可視化
• 畳み込みニューラル ネットワークの活性化の可視化
• LSTM ネットワークの活性化の可視化