如何可视化层间卷积的权重？

Question

我有一个小的深度学习问题。在这里，我与Keras书店建立了我的网络（CNN）。我对我的CNN的权重很感兴趣。我的架构是AlexNet类型的，我的彩色图像（RGB）分为72个类。对于第一个卷积，它有96个滤波器，其滤波器核是11×11，我在输出端恢复了一个4维张量[11][11][3][96]。所以每个过滤器有3个矩阵11×11，我们称之为内核。在

在这个层次上，为了可视化我的体重，我采取了一个图像，我把它分为3个通道。对于给定的滤波器，每个通道用一个核卷积。这些卷积运算的每一个结果都被收集起来以得到一个结果图像。在

现在，第二个接受输入的卷积和第一个输出的卷积被设置为383个滤波器，其滤波器核是5×5。第二个卷积的输出给出了一个4d张量，大小为[5][5][96][383]。这意味着对于一个给定的过滤器，它有96个过滤器（至少我是这么理解的）。所以对于一个给定的滤光片，我仍然用我著名的图像在这3个通道上分割，面对96个滤光片。在

我不知道这是否是一个理解的问题，但是我阻止了total，因为在第二个卷积的输出上，我不知道解释了每个滤波器的96个核。在

我想从我的重量重建一个卷积层的过滤器。在

对我来说，这是一门有趣而又充满神秘感的科学。如果有人能开导我，我会感谢他的。在

Answer 1

本文讨论了由于使用GPUs，训练集的可访问性和计算能力的提高，这一新的研究兴趣在CNNs中得到了推广。他们发现并讨论了可视化特征图和权重的有趣方法。它是目前国内外最流行的深度学习论文之一。作者还强调了研究者对这些模型内在机制的有限认识。

Saying that without this insight, the “development of better models is reduced to trial and error”.

他们在论文中也使用了类似AlexNet的模型。该模型被命名为ZFNET是ILSVRC 2013的赢家，我相信通过阅读本文，您将更好地理解总体DL概念和您的问题可能的解决方案。