5.GoogLeNet中的Filters
这里我们探索GoogLeNet中的Filters，首先你需要安装GoogLeNet.在Matlab的APPS里找到Deep Network Designer,然后找到GoogLeNet，安装后的网络是没有右下角的黄色感叹号的，没有安装的神经网络都有黄色感叹号。
一个层（layer）的 Weights 属性包含该层的权重。你可以使用点符号（dot notation）来访问层的属性：
layer.Prop。由于 GoogLeNet 是一个预训练网络，它已经学习到了可以提取有用特征的权重。这里，我们将GoogLeNet 的各层被保存在变量 ly 中。并将第二层的权重保存到一个名为 W 的变量中。
% 加载网络
net = imagePretrainedNetwork("googlenet");% 保存网络的各层到变量ly中
ly = net.Layers;% 提取第二层
conv = ly(2);% 提取第二层的权重，这里不加分号可以看到W的输出
W = conv.Weights
从W的输出可以看到网络第二层的权重（即第一个卷积层）是一个大小为 7×7×3×64 的数组。这意味着该层有 64 个不同的滤波器。每个滤波器的尺寸是 7×7×3，因此可以将它们看作是 RGB 图像。为了正确显示这些滤波器，必须对它们进行归一化处理。rescale 函数可以将权重值缩放到 0 到 1 之间。使用 montage 函数可以查看这些权重组成的数组。
% 使用 montage 函数可以查看这些权重组成的数组
montage(rescale(W))
你可以通过索引访问权重数组中的特定滤波器。你需要提取某一个滤波器的所有行、列以及 RGB 通道的数据。这里我们从权重数组中提取第 11 个滤波器，然后将其显示出来。在使用 imshow 显示图像之前，应该使用 rescale 对图像进行归一化处理。
% 提取第11个滤波器
filter_11 = W(:,:,:,11);% 归一化并放大显示
figure,imshow(rescale(filter_11),"InitialMagnification", 1000)
第11个滤波器似乎在寻找粉红色。我们加载一个图像 roses.jpg ，这个图片中包含一些植物，但只有玫瑰是红色的，这意味着只有玫瑰会被第11个滤波器正向激活。
你可以通过使用 minibatchpredict 函数来测试这一点，并结合参数 Outputs 获取卷积层的输出：
features = minibatchpredict(net, img, Outputs="layer")
这里，我们从网络 net 中获取图像 im 在层 "conv1-7x7_s2" 的激活值，并将输出命名为 actvn。
% 加载图片
im = imread("roses.jpg");% 获取图像在第一个卷积层的输出
actvn = minibatchpredict(net, im, Outputs="conv1-7x7_s2");
激活值的尺寸为 m×n×64。也就是说，第一层卷积中的每个滤波器都会产生一个激活图（或称为特征图）。如果你想研究第11个滤波器的效果，需要提取第11个通道的激活值。对这个矩阵使用 rescale 进行归一化，然后使用 imshow 将其显示出来。
figure,imshow(rescale(actvn(:,:,11)))
正如预期的那样，红色的玫瑰被强烈激活了。你可以使用这些步骤来研究 montage 中显示的任何一个滤波器。
)
