从石墙、屋顶，走到修道院响应

这里是本文 ConvNeXt large，28.6M 参数。从左到右是第十四到第十八个block。每个节点左边是一张优化图，右边四张是该极的自然响应例。小字给出神经元编号和正负侧。整幅图跟上一张跑车路径不同：它聚合了多个例子里的精选连接，不是一张修道院照片在模型里经过的全部路线。先记住五列方位，再局部放大。

现在只放大上面这一支，三个卡片仍是原图，课堂把它们排成一行。第十四块四百八十一号的负侧是拼图与城垛，第十五块六十三号负侧是石墙，第十六块八百八十三号正侧是钟楼。每个名字都要回到旁边四张自然例检查；左边的小方图是优化图。下面两个数是原图多例平均路由归因，分别为正零点一零三和正零点三三六，两个连接都是八个例子中八个与均值同号。注意，节点在负极，不等于出边就是负归因。

再看同一张全图的下支。壁板与窗户、屋顶与拱门、城堡是三个不同单元的响应摘要。两条棕色虚线都来自原图，这里的平均归因是负值，而且各自在八个例子中都保持同号。它们不是简单的“看见屋顶就赞成城堡”故事。单元的极、连接的符号、目标单元以及被聚合的输入共同决定这里的读法。全图还包含上下两支之间的交叉边，当前放大只是为了把这两个连接读清楚。

现在保留第十六块的钟楼作为接点，继续到第十七块的修道院与城堡，以及第十八块的修道院响应单元。三个卡片都来自原图，只为看清自然例而重新对齐。两条所选连接的平均路由归因分别约为三点一二三和二十三点五三六，都是八个例子中八个同号。后一个数字大，不能当成更高的分类概率；目标和归因尺度都已不同。我们得到的是跨层组织的约束，而不是一个名字就解释完一个单元。

最后把第十六块换成城堡单元。它的负侧也通过正的平均路由归因，接到同一个第十七块单元，再到末层修道院响应。现在把这一态与上一态并读：下游可以接收不同组件的贡献，并不是整张网络里只有一条从石墙走到修道院的单线。我们保留完整图作入口，再逐支读，是为了同时看清局部和边界。这仍然是多例聚合、经过选边的电路；未画的连接存在，不能把它当一张修道院照片的全部因果过程。