先当场练出一个能认苹果、香蕉、草莓的小网络，再反过来问它：什么样的图最能让它兴奋？网络里的小探测器看到自己要找的花纹时会输出一个大数，这个数叫激活。从一张图出发，一步步改图，让某个激活越来越大，这种办法叫激活最大化。
数据说明：水果图是页面按形状和表面花纹画出来的 20 × 20 小图，每类 30 张用来训练、30 张用来测试，颜色特意打乱过。
这一步看什么这里有一个认苹果、香蕉、草莓的小图像网络，现在还没练过。点一下按钮，它会在 90 张训练图上练 30 轮。后面两步看的都是练好的它。
蓝线是训练准确率，赭线是测试准确率，横轴是练了几轮。
没练之前，网络只能认对两成多的测试图，比随便猜还差。练到第 2 轮，测试准确率就到了九成，第 6 轮以后训练图和测试图全部认对。
练好以后，右边只看得到准确率和参数个数，看不出它靠图上的什么来认，这就是课件说的黑箱。
这一步看什么网络第一层有 6 个通道。通道就是网络里专门找某一种花纹的小探测器，每个只看 3 × 3 那么大的一小块。上排是用激活最大化显影出来的 6 张花纹，下排是选中的探测器在一张水果图上的反应。
#1 只在水果右边那条边上亮，它找的是明暗交界的边。#3 在整块果肉上都亮，它找的是成片的颜色。另外四个在这些水果图上几乎不亮，#5 一次也没亮过。3 × 3 的花纹能表达的只有边、色块这类简单的东西。
显影花纹的激活总比任何一张水果图上最亮处的激活大，因为这张花纹就是按“让激活最大”一步步改出来的。
这一步看什么这次把目标换成网络给“苹果”打的分数。从一张灰色噪声图出发，每一步按梯度把每个像素调亮或调暗一点。梯度指出每个像素往哪边改，分数涨得最快。这和梯度下降是同一个办法，只是改的是图，往分数变大的方向走，课件叫梯度上升。
| 类别 | 模糊 | 最后的把握 | 最后的分数 |
|---|
三类各改一次，开始时的把握在一成多到四成左右，改完都显示 100.00%。模糊为 0 时，改出来的图分数是真实同类图平均分数的三倍多，可图上看不出一点水果的样子。网络眼里的“苹果”和人眼里的苹果不是一回事。
模糊为 0 时，图中间长出一片红黄相间的碎色块，四周还是灰色噪声。调到 0.50 以后，碎块连成一团边缘模糊的橙黄色，分数降了一些，把握仍然是 100.00%。课件第 44 页的高频抑制就是这样做的：每改一步就把图抹平一点，细碎的花点就长不出来了。
前面三步的操作结果会自动写进报告。下面的题目按你实际看到的情况回答。