update

docs/7.md

@@ -34,7 +34,7 @@
 
 ![](http://latex.codecogs.com/gif.latex?%5Cfn_cm%20img%5E*%20%3D%20arg%5C%2C%5Cmax_%7Bimg%7Dh_%7Bnxyz%7D%28img%29)
 
-    其中，函数h是神经元的激活，img是网络的输入(一幅图像)，x和y描述神经元的空间位置，n表示层，z表示通道索引。对于n层整个通道z的平均激活，我们将其最大化下面公式：  
+其中，函数h是神经元的激活，img是网络的输入(一幅图像)，x和y描述神经元的空间位置，n表示层，z表示通道索引。对于n层整个通道z的平均激活，我们将其最大化下面公式：  
 ![](http://latex.codecogs.com/gif.latex?%5Cfn_cm%20img%5E*%20%3D%20arg%5C%2C%5Cmax_%7Bimg%7D%5Csum_%7Bx%2Cy%7Dh_%7Bnxyz%7D%28img%29)
 
 在这个公式中，z通道中所有神经元的权重相等。或者，你也可以最大化随机方向，这意味着神经元会被不同的参数相乘，包括负方向。通过这种方式，我们研究了神经元是如何在通道内相互作用的。您也可以最小化激活(对应于最大化负方向)，而不是最大化激活。有趣的是，当你将负方向最大化时，你会得到相同神经网络单元非常不同的特征: