因此，通过tf.summary，我将模型中的第一个卷积层（形状[5,5,3,32]）可视化为一组单独的图像，每个滤镜一个。因此该层的过滤器的尺寸为5x5，深度为3，其中有32个。我将这些滤镜视为5x5彩色（RGB）图像。
我想知道如何将其推广到第二个卷积层，以及第三层和下一个...
第二个卷积层的形状是[5,5,32,64]。
我的问题是如何将张量转换为单个5x5x3图像？
具有第一个形状为[5,5,3,32]的conv层，我先将其移置tf.transpose(W_conv1,(3,0,1,2))，然后再获得32张5x5x3图像，以使其可视化。
做一个tf.transpose(W_conv2,(3,0,1,2))会产生一个形状[64,5,5,32]。然后我将如何使用那些“ 32个颜色通道”？ （我知道它不是那么简单：））。
答案 0 :(得分：2)
高级过滤器的可视化通常是间接完成的。为了使特定的滤镜可视化，您需要查找滤镜响应最大的图像。为此，您可以在图像空间中执行梯度上升（而不是像训练网络时那样更改网络参数，而是更改输入图像）。
如果使用以下Keras代码，您会更容易理解：https://github.com/keras-team/keras/blob/master/examples/conv_filter_visualization.py