totti0223 · May 22, 2019 01:20
diff --git a/file0.txt b/file0.txt
 #準備するkerasのtensor
 target_data = 勾配を求めたいデータ
 loss = 定義した損失

 #要の勾配を定義する式。下記式は「target_dataのどこを微少変化させるとlossの値に影響が出るか」を微分した値で表現したデータを得るためのもの。得られるgradientsのshapeはtarget_dataと同じ
 gradients = K.gradients(loss,target_data)[0]
 #関数として定義。input_dataとK.leraning_phase()をいれてgradientを返す関数。
 backprop_fn = K.function([input_data, K.learning_phase()], [gradients])

diff --git a/file1.txt b/file1.txt
 calculated_gradient = backprop_fn([image, 0]][0]
diff --git a/file2.txt b/file2.txt
 #準備
 model = Kerasのmodel。 Modelでも、Sequentialでも

 #勾配を取りたいtargetは入力画像。入力画像を入れるkeras tensor
 target_data = model.input

 #勾配元keras tensor。画像が分類されたクラスに該当するindexの値。なお、という表現は適切でないが、勾配の入出力の関係をわかりやすくするためにこのままにしておく。
 loss = model.output[0,class_index_of_input_image]

 #lossに対するtarget_dataの勾配。「target_dataのどこを微少変化させるとlossの値（推論結果）に影響が出るか」を微分した値で表現。この値をもとの画像に足してiterateすると狭義のdeepdream?
 gradients = K.gradients(loss,target_data)[0]

 #画像を入力して画像の勾配が帰ってくる関数。
 backprop_fn = K.function([target_data, K.learning_phase()], [gradients])

 #実際の使用
 grads_val = backprop_fn([image, 0])
diff --git a/file3.txt b/file3.txt
    for k in range(1024):
        _grads_val = backprop_fn([image, 0])[0]
        _grads_val = deprocess_image(_grads_val)
        image += _grads_val
 image = deprocess_image(image)
diff --git a/file4.txt b/file4.txt
 #96はtoucanのindex

 #元の画像
 print(model.predict(x[np.newaxis])[0][96])
 24.952557
 #gradient ascent後の画像
 print(model.predict(images[np.newaxis])[0][96]) 
 559.31946
	#準備するkerasのtensor
	target_data = 勾配を求めたいデータ
	loss = 定義した損失

	#要の勾配を定義する式。下記式は「target_dataのどこを微少変化させるとlossの値に影響が出るか」を微分した値で表現したデータを得るためのもの。得られるgradientsのshapeはtarget_dataと同じ
	gradients = K.gradients(loss,target_data)[0]
	#関数として定義。input_dataとK.leraning_phase()をいれてgradientを返す関数。
	backprop_fn = K.function([input_data, K.learning_phase()], [gradients])
	#準備
	model = Kerasのmodel。 Modelでも、Sequentialでも

	#勾配を取りたいtargetは入力画像。入力画像を入れるkeras tensor
	target_data = model.input

	#勾配元keras tensor。画像が分類されたクラスに該当するindexの値。なお、という表現は適切でないが、勾配の入出力の関係をわかりやすくするためにこのままにしておく。
	loss = model.output[0,class_index_of_input_image]

	#lossに対するtarget_dataの勾配。「target_dataのどこを微少変化させるとlossの値（推論結果）に影響が出るか」を微分した値で表現。この値をもとの画像に足してiterateすると狭義のdeepdream?
	gradients = K.gradients(loss,target_data)[0]

	#画像を入力して画像の勾配が帰ってくる関数。
	backprop_fn = K.function([target_data, K.learning_phase()], [gradients])

	#実際の使用
	grads_val = backprop_fn([image, 0])
	for k in range(1024):
	_grads_val = backprop_fn([image, 0])[0]
	_grads_val = deprocess_image(_grads_val)
	image += _grads_val
	image = deprocess_image(image)
	#96はtoucanのindex

	#元の画像
	print(model.predict(x[np.newaxis])[0][96])
	24.952557
	#gradient ascent後の画像
	print(model.predict(images[np.newaxis])[0][96])
	559.31946