狗面部轮廓特征通道
“好啦，本次课程到此就结束了。”咖哥说。
“等等，咖哥。”小冰喊道，“这么早下课？”
“嗯？小冰，你还有什么疑问？”咖哥回答。
小冰继续说：“是这样的，卷积网络，处理图像效果很好，但是我总觉得它是一个‘黑盒子’。所以我有点好奇，想看一看特征提取过程中，这个卷积网络里面到底发生了什么。”
咖哥说：“噢，这样啊。你这种疑惑还是挺常见的。人们也开发了几种方法来查看卷积网络的内部结构。我给你介绍一种比较简单的方法吧。通过这个叫作中间激活的方法，我们可以看到卷积过程中特征图的‘特征通道’。”
中间激活的实现代码如下：
from keras.models import load_model # 导入模型保存工具
import matplotlib.pyplot as plt # 导入Matplotlib库
model = load_model('../my_dog_cnn.h5')# 载入刚才保存的模型
# 绘制特征通道
layer_outputs = [layer.output for layer in model.layers[:16]]
image = X_train[0]
image = image.reshape(1, 150, 150, 3)
activation_model = models.Model(inputs=model.input, outputs=layer_outputs)
activations = activation_model.predict(image)
first_layer_activation = activations[0]
plt.matshow(first_layer_activation[0, :, :, 2], cmap='viridis')
plt.matshow(first_layer_activation[0, :, :, 3], cmap='viridis')
特征通道的示例如下图所示。
狗面部轮廓特征通道
狗眼特征通道（抱着狗狗的人的眼睛也被激活）
通过观察这些特征通道的中间激活图就能发现，卷积网络中的各个通道并不是漫无目地进行特征提取，而是各负其责，忽略不相关的噪声信息，专门聚焦于自己所负责的那部分特征，激活各个特征点。这些特征点（也就是小模式）进行组合，就实现了高效率的图像识别。