Visualization with a Deconvnet：将feature map中的特征通过反池化、反激活、反卷积映射到像素。
反池化可通过记录最大激活值的位置来实现，反激活直接使用ReLU，反卷积采用该卷积核的转置来进行卷积操作（why？）
1.Feature Visualization:
我们发现了CNN学习到的特征呈现分层特性，底层是一些边缘角点以及颜色的抽象特征，越到高层则越呈现出具体的特征，
这也为如何得到更好的模型给出了指导，一个最简单的思路便是使网络更深，使得每层的特征更加层次分明，这样就能学到更加泛化的特征。
这里还有一个重要的公式，感受野的计算公式：
其中表示第i层layer的输入的某个区域，表示第i层layer的步长，表示kernel size，注意，不需要考虑padding size。
2.Feature Evolution during Training
底层先收敛，然后高层再收敛。
3.Feature Invariance
小变换对模型的第一层有着显著的影响，但对顶层影响较小，对于平移和缩放是准线性的。网络输出对于平移和缩放是稳定的。
但是一般来说，除了具有旋转对称性的物体来说，输出来旋转来说是不稳定的.这说明了卷积操作对于平移和缩放具有很好的不变性，而对
于旋转的不变性较差。
还有其他部分的实验，个人感觉说服力并不是那么让人信服。