本章主要讲了利用已经训练好的“图像识别模型inception”，绘制image的方法。通篇涉及4个code，由简到繁讲述了image的绘制过程。下面进行简要总结：
一、Deep Dream的技术原理
在实践中，我们常用“卷积神经网络”来进行“图像识别”，具体方法是：根据大量标有label的图像(x，y)来训练“卷积神经网络的梯度”，通过训练好的“卷积神经网络”，即可识别一个test sample。
那么，在训练一个“卷积神经网络”时，各个卷积层究竟会学习到什么内容？不同的卷积层学习到的内容有什么区别？
以上两个疑问均可以通过Deep Dream模型的实现来回答。
简而言之，Deep Dream就是利用“已经训练好的卷积神经网络”，来绘制图像的一个技术。在实际应用中，我们可以选择“已训练好的卷积神经网络”的某一个卷积层的output作为优化目标，而将input(也即要创作的image)作为待求解的参数，通过“梯度下降算法”求解image。
在本章节中，采用已经训练好的inception模型，作为“制图模型”。
二、简单的Deep Dream模型实现
1、简单的Deep Dream模型的实现主要有以下几大步骤：
- 将pre-trained inception模型导入；
- 将随机噪声image作为inception model的input；
- 选择优化目标，即：用于制图的卷积层，将该卷积层output的平均值作为待优化目标；
- 根据“梯度下降算法”，求解input的最优解；
- 将求得的input保存为图像格式，即可得到图像；
2、Deep Dream模型的简易实现，见：gen_naive.py。
3、生成的图形：
三、生成更大尺寸的Deep Dream模型
简易Deep Dream模型生成的是(224,224,3)大小的image，这正是初始的image_noise的大小。本小节将讲解利用image_noise生成更大尺寸图形的方法。
要想生成更大尺寸的图形，一个最直接的方法就是将input改为更大尺寸的image_noise，但是，这种做法存在一个潜在的问题，即要生成的图像越大，所需的input也会越大，计算量会越大，这样就会占据更大的内存，因此，最终，可能优于内存不足而导致“制图失败”。
一个折中的办法是：保持Input image_noise的尺寸不变，在输入image_noise以后，通过函数resize_ratio()，将其进行缩放，通过“梯度下降算法”求缩放后的image_noise_extension的最优值。
在求解image_noise_extension最优值的过程中，可以首先将image_noise_extension分割为多个部分，每次只对image_noise_extension的一个部分求最优解，这样，在每次的优化过程中都只会消耗固定的内存。而不用担心发生内存耗尽的问题。
具体的实现方法见：gen_multiscale.py。
生成图形如下：
四、生成更高质量的Deep Dream模型
在上述两节中，生成的图形细节变化比较剧烈，本节将重点介绍使得“生成图像变柔和”的方法，即：“拉普拉斯金字塔梯度标准化法”。
“拉普拉斯金字塔梯度标准化”原理如下：
利用Deep Dream原理生成的图像有“高频成分”和“低频成分”两种。其中“高频成分”指图像变化比较剧烈的部分，“低频成分”指图像变化不明显的部分。要使生成的图像变柔和，则：要么增加“低频成分”，要么降低“高频成分”。
如果采用“降低高频成分”的方法，则需要针对“高频成分”加入损失，从而使生成的图像发生改变。但是，针对“高频成分”加入损失，会导致计算量和收敛步数增大。因此，我们采用“增加低频成分”的方法，来柔和图像。
为了增加“低频成分”，我们可以使用拉普拉斯金字塔标准化法（图4-5）.具体可采用以下两种策略：
1）直接针对图像，来增加其低频成分，即：直接对image_noise进行拉普拉斯分层，然后，对上层图像Gl（即：低频成分）求其gradient，得到新的图像后，在将其缩放到下层图像Gl-1（即：高频成分）的到小，与下层图像Gl-1（即：高频成分）相加，得到新的Gl-1图像（即：Gl-1低频成分）。重复上述步骤，直到到达最底层，即可得到柔和的图像。
2）针对gradient，进行拉普拉斯分层。即：在每次iteration时，对求得的gradient首先进行“拉普拉斯融合”，然后，再用融合后的gradient去求此次iteration的image。本小节的图像柔和，使用的是“gradient拉普拉斯融合”。
图像柔和的实现方法见：gen_lapnorm.py。
生成的图像如下：
拉普拉斯原理参见博文：图像融合之拉普拉斯融合。
五、生成有背景的Deep Dream模型
以上几小节中，生成的图像均是没有背景的，如果我们想生成一个有背景的图像，可以将原始的input，由image_noise，变为背景图像image_background。
具体代码实现见：gen_deepdream.py。
生成的图像如下：
