假设我有一个CNN，它被训练用于分类不同动物的图像，这种模型的输出将是{{1>}空间维度中的一个点（输出点），其中{ {1}}是模型训练的动物类的数量;那么输出的转换方式是将它转换为n参数的 one-hot 向量，然后从CNN的角度为图像提供正确的标签，但是让我们坚持使用n维度点，即输入图像的概念。
然后假设我想采取这一点并以某种方式对其进行变换，以便最终输出是具有约束宽度和高度的图像（尺寸应该与不同的输入图像相同），其输出与输入图像，我该怎么做？
我基本上要求使用这种任务的方法（主要是训练），其中必须根据CNN的输出点重建图像 - 我知道图像永远不会相同，但我和当该点被输入到CNN-时，正在寻找产生与输入图像相同（或至少不那么不同）的输出点的图像。请记住，我要求的模型的输入是n，并且输出是两个（或者如果它不是灰度的那么三个）尺寸张量。我注意到 deepdream 就是这样的事情（我想），但每次我都把＆＃34; deepdream＆＃34;和＆＃34;生成＆＃34;在Google中，几乎总是显示在线生成器，而不是实际技术;所以，如果对此有一些答案，我很乐意听到它们。
答案 0 :(得分：0)
输出标签不包含足以重建整个图像的信息。
引用DeepDream example ipython notebook：
制作“梦想”图像非常简单。本质上，它只是一个梯度上升过程，试图最大化特定DNN层激活的L2范数。
因此，算法修改现有图像，使得网络中某些节点的输出（可以在中间层，不一定是输出节点）变大。为此，它必须计算节点输出相对于输入像素的梯度。