如何可视化层卷积之间的权重？

Question

我有一个小的深度学习问题。在这里，我与书店 Keras 建立了我的网络 (CNN)。我对可视化我的 CNN 的权重很感兴趣。我的架构是 AlexNet 类型，我的彩色图像 (RGB) 分为 72 类。对于具有 96 个滤波器的第一个卷积，其滤波器内核为 11 x 11，我在输出 [11] [11] [3] [96] 处恢复了 4 维张量。所以每个过滤器都有 3 个 11 x 11 的矩阵，我们称之为内核。

为了可视化我的权重，我拍摄了一张图像，并将其分成 3 个通道。对于给定的过滤器，每个通道都与内核卷积。这些卷积操作的每个结果都已被收集起来以提供结果图像。

现在第二个卷积接受输入，第一个卷积设置了 383 个过滤器，其过滤器内核为 5 * 5。第二个卷积的输出给我一个大小为 [5] [5] [96] 的张量 4d [383]。这意味着对于给定的过滤器，它有 96 个过滤器（至少我是这么理解的）。因此，对于给定的过滤器，我仍然将我的著名图像拆分为这 3 个通道，面对 96 个过滤器。

我不知道这是否是一个理解问题，但我阻止了总，因为在第二个卷积的输出上，我不知道为每个过滤器解释了 96 个内核。

我想从我的权重中重构过滤器一个卷积层。

我真的是深度学习的新手，这是一门有趣的科学，但对我来说充满了神秘感。如果有好心人赐教，我会感谢他的。

Answer 1

在这篇论文中：“Visualizing and Understanding Convolutional Neural Networks”，Zeiler 和 Fergus 讨论了对 CNN 重新产生兴趣的想法是由于大型训练集的可访问性和使用 GPU 提高的计算能力。他们发现并讨论了可视化特征图和权重的有趣方法。它是深度学习领域最好的和流行的论文之一。作者还强调了研究人员对这些模型内部机制的了解有限。

如果没有这种洞察力，“开发更好的模型 减少到反复试验”。

他们还在论文中使用了类似 AlexNet 的模型。这个被命名为 ZFNET 的模型是 ILSVRC 2013 的获胜者。我相信通过阅读这篇论文，您将对整体 DL 概念和您的问题的可能解决方案有更好的理解。