Keras ConvNet 中的特征图如何表示特征？

Question

我知道这可能是一个愚蠢的问题，但我到处寻找答案，但我找不到。

好的，首先正确解释我的问题，

当我学习 CNN 时，我被告知内核或过滤器或激活图代表图像的一个特征。 具体来说，假设一个猫的图像识别，一个特征图将代表一个“胡须” 在该特征图的激活率较高的图像中，推断为图像中存在胡须，因此该图像是一只猫。 （如果我错了，请纠正我）

现在，当我制作 Keras ConvNet 时，我保存了模型 然后加载模型和 将所有过滤器保存为 png 图像。 我看到的是 3x3 像素的图像，其中每个像素都有不同的颜色（绿色、蓝色或它们的各种变体等）

那么这些 3x3px 随机颜色图案的内核图像如何以任何方式代表猫的“胡须”或任何其他特征？

或者我怎么知道哪个 png 图像是哪个特征，即哪个是胡须检测器过滤器等？

我问这个是因为老师可能会在口试中问我。

抱歉回答太长了（但我必须这样做才能正确解释）

Answer 1

您需要进一步了解卷积神经网络的运作方式：主要主题是卷积本身。卷积与输入图像和过滤器/内核一起发生以生成特征图。特征图可以突出重要特征。

过滤器/内核对输入数据一无所知，因此当您保存这些数据时，您只会看到伪随机图像。

简单地说，其中*是卷积算子，

input_image * filter = 特征图

如果您想可视化卷积过程中发生的情况，您想要保存的是特征图。 This website 给出了非常详细的说明，这也是我过去使用的方法。