1. visualizing higher-layer features of a deep network
本文提出了两种可视化方法。
1. 最大化activation
当训练完一个深层神经网络之后， 固定全部參数。 然后对于某一个神经元的activation进行梯度上升优化来寻找能使它的值最大化的input。
不断的用gradient ascent来更新一个初始化为random value的input。
converge 之后的input就是能使这个神经元activation最大化的input。 也就是这个神经元学到的feature。
2. sampling from a unit of a deep belief network
把一个神经元的activation设为1。 然后generate 一些对应的samples， 通过这些samples预计一个distribution。
3. linear combination of previous layers' filters
这个是已经存在的技术， 用底层的filter线性组合来visulze上层的filter
结论
1. 不同的网络结构或者模型会学到不同的filter。
2. 好的模型学到的filter通常比較easy解释，可是这个不是100%适用。 有些model学到的feature看似不好可是这个model效果也可能非常好。
3. deep model 高层的feature相对照较high level 并且能够是底层feature的组合。