我对神经网络感兴趣已经有一段时间了，并且刚刚开始学习深度学习教程。我有一个我希望是一个相对直接的问题，我希望有人能回答。
在多层感知教程中，我对看到网络在不同层的状态很感兴趣(类似于在本文中看到的:http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/247)。例如，我可以使用
写出隐藏层的权重 W_open = open('mlp_w_pickle.pkl','w')
cPickle.dump(classifier.hiddenLayer.W.get_value(borrow=True), W_open, -1)
当我使用utils.py tile绘图时，我得到以下漂亮的绘图[编辑:漂亮的绘图被删除，因为我没有足够的代表]。
如果我想绘制logRegressionLayer上的权重，这样
cPickle.dump(classifier.logRegressionLayer.W.get_value(borrow=True), W_open, -1)
我实际需要做什么?上面的代码似乎不起作用——它返回一个形状为(500,10)的2array。我知道这500指的是隐藏单位的数量。杂项页上的段落:
绘制权重有点棘手。我们有n_hidden hidden单位，每个单位对应权矩阵的一列。一个列有相同的形状，可见，其中的权重与可见单元j对应的连接位于j位置。因此，如果我们重塑每个这样的列，使用numpy。重塑,我们获取一个过滤器图像，告诉我们这个隐藏单元是如何受到输入图像。
让我有点困惑。我不确定我该怎么把它们串起来。
谢谢大家-抱歉，如果这个问题令人困惑!
你可以像第一层的权重一样绘制它们，但它们不一定有多大意义。
考虑神经网络第一层的权重。如果输入大小为784(例如MNIST图像)，并且在第一层中有2000个隐藏单元，那么第一层权重是大小为784 × 2000的矩阵(或者可能是转置，这取决于它是如何实现的)。这些权重可以绘制为784个大小为2000的斑块，或者更常见的是，2000个大小为784的斑块。在后一种情况下，每个patch都可以绘制为28x28的图像，直接与原始输入相关联，因此是可解释的。
对于你的高级回归层，你可以绘制10个瓷砖，每个大小为500(例如，22x23大小的补丁，一些填充使其成为矩形)，或500个大小为10的补丁。两者都可以说明一些正在发现的模式，但可能很难将这些模式绑定回原始输入。