Bau &Zhou$等人(2017)^{71}$提出的网络分解方法量化了卷积神经网络单元的可解释性。它将高度活跃的CNN通道区域与人类概念(物体、部件、纹理、颜色)联系了起来。卷积神经网络的通道学习新的特征,正如我们在[特征可视化][4]一章中看到的。但是这些可视化并不能证明一个神经网络单元已经学会了某个的概念。我们也不知道测量一个神经网络单元检测如摩天大楼的效果如何。在我们深入研究网络剖析的细节之前,我们必须先谈谈这条研究方向背后的重大假设。假设是:神经网络单元(如卷积信道)学习一些纠缠的概念。<br>
Bau &Zhou$等人(2017)^{71}$提出的网络分解方法量化了卷积神经网络单元的可解释性。它将高度活跃的CNN通道区域与人类概念(物体、部件、纹理、颜色)联系了起来。卷积神经网络的通道学习新的特征,正如我们在[特征可视化][4]一章中看到的。但是这些可视化并不能证明一个神经网络单元已经学会了某个的概念。我们也不知道测量一个神经网络单元检测如摩天大楼的效果如何。在我们深入研究网络剖析的细节之前,我们必须先谈谈这条研究方向背后的重大假设。假设是:神经网络单元(如卷积信道)学习一些纠缠的概念。<br>