这是一篇鸽了快一年，我甚至已经找不到之前写了一半的草稿的更新。上篇：《机器为什么知道猫是猫》。

精 神 污 染 警 告 ！！！

精 神 污 染 警 告 ！！！

精 神 污 染 警 告 ！！！

上图是Google开发的一个叫DeepDream[1]的项目生成的图像（容我称其为阴间玩意儿）。虽然现在已经过去了几个年头，不过当时刚出的时候倒是火了一把。这个名字取得很奇妙，人工智能会梦见电子狗吗？——会，而且还很掉san！

其实这个项目是为了理解，神经网络究竟是如何理解图片的。以DeepDream为例，我们训练出了一个分类器，可以把各种动物区别开，那么我们如何知道，机器眼中的猫长什么样呢？一种办法是：比如说你想要知道是怎样的图片会导致分类结果出现香蕉，那么你可以从一张充满了随机噪点的图片入手，逐渐调整图片朝着神经网络认定其为香蕉的方向变化。于是会出现类似这样的结果：

当然，聪明的读者们也一定记得我们曾经讲过模型是很容易被欺骗的（见《AI模型的攻击和防御》），即使是一些看起来完全随机的图片，AI也可能给出非常肯定的判定结果。所以只是像上面那样做是不够的，还需要加上一些让图片内容看起来像是真实图片的限制，比如相邻的像素要有一定相关性等，加上那些限制后我们就可以从图片中看出一些香蕉的影子了。当然你还可以用其他类别生成更多的精污图：

这个系列的照片真的太精污了，我必须强调这是很早期的研究效果了！怪我这篇拖了太久！

聪明的读者们一定可以想到现在完全可以利用GAN来创造更好的结果，见《为什么神经网络可以创造未存在过的人脸》。换句话说，上面的做法只是通过判别网络来调整图片，我们是否可以直接训练一个图片生成器，使其生成的结果也会被判定为对应的类别呢？这个图片生成器可以是GAN也可以是VAE，具体结构和原理上文都有提到，于是在这篇不再赘述，感兴趣的读者们可以再去复习一下~

分类模型是根据一张图片X得到其分类标签y，而图片生成器是根据一个随机向量z生成一张图片X。于是在我们这个任务中，就变成了我们要寻找一个随机向量z，使其生成的图片可以被分类为y。这个做法其实就是把上面对图片的约束进一步收紧：你必须是由真实图片训练得出的、能合成较为真实的图片的图片生成器生成的图片（有点绕XD）。相应的结果[3]也好很多：

不过我个人认为，这个更接近于“用分类器生成对应类别的图片”了。我觉得在人工智能的梦中，狗还是长题图这样的吧。

Reference：

[1] https://ai.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html

[2] https://www.youtube.com/watch?v=yORbWn7UsBs&list=PLJV_el3uVTsOK_ZK5L0Iv_EQoL1JefRL4&index=20

[3] https://arxiv.org/abs/1612.00005