版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yeyustudy/article/details/82466068
特征可视化
1、对最后一层特征的处理：使用t-SNE降维技术，将最后的高维向量压缩到两维进行申请。
2、利用梯度上升来生成图像：
3、deepdream：试图放大提取到的特征，其操作是在神经网络的某一层进行反向传播，使梯度等于这一层的激活值，即将梯度方向传播回去
4、特征反演：输入图像后在某一层取一个特征值，通过梯度上升与正则化之后反演回去重构图像
5、纹理生成：将图片输入到神经网络中，计算Gram矩阵，利用gram矩阵描述其纹理，最终利用梯度上升生成图片，注意，利用gram矩阵我们不关心图片的结构，只关心其纹理。
生成模型
1、无监督学习：不需要标签，直接从数据中学习隐含的特征，在进行重构数据
2、生成模型大体可分为两类，一类是定义了显式的密度函数，另一类则是定义了隐式的密度函数
3、GAN：利用了博弈论，这里不多做介绍
强化学习：
1、由代理与环境组成，代理可以激活环境，环境可以给代理一个激励，通过这个过程使系统不断学习。
2、马尔科夫决策过程：
