python：神经网络的卷积核，权重矩阵长什么样子？

很多人在做深度学习的时候，都把神经网络看成了一个黑盒子，只管输入不同的训练样本和标签，就可以预测出来和训练样本标签相似的结果。想必不少人也研究过神经网络的计算过程，在研究中一定会学到梯度下降算法和损失函数，也一定会了解到卷积核和反向传播求导等概念。那么你一定会好奇我们训练出来的模型到底是什么？它长什么样子？卷积核长什么样子吧？本文通过python代码读取训练好的 PointNet 神经网络模型让你看看黑盒子到底长什么样？

---

首先，我们使用torch模块，读取本地的.pth文件。

①打印模型，我们可以看到.pth保存的是一个字典。

import torch
model_dir='D:\\PointNet\\best_model.pth'
checkpoint = torch.load(model_dir)
print(checkpoint)
1
2
3
4

②打印模型字典的keys，关键词。

import torch
model_dir='D:\\PointNet\\best_model.pth'
checkpoint = torch.load(model_dir)
for dic in checkpoint:
    print(dic)
1
2
3
4
5

可以看到模型保存了训练迭代次数epoch，分类精度iou，模型参数（卷积核等）字典，优化函数参数。
③打印epoch。

print(checkpoint['epoch'])
1

④打印分类精度。

print(checkpoint['class_avg_iou'])
1

⑤打印参数字典（卷积核等）

littleDic = checkpoint['model_state_dict']
for dic in littleDic:
    print(dic)
1
2
3

⑥打印conv1的卷积核，形状

a = checkpoint['model_state_dict']
print(a['feat.stn.conv1.weight'], "\n\n", a['feat.stn.conv1.weight'].shape)
1
2

这里可以看到卷积核的大小为64页9行1列，即这一层网络有64个卷积核，这就是PointNet中点云的特征列数从3列变成64列的原因。

⑦打印优化方法参数

littledic = checkpoint['optimizer_state_dict']
for dic in littledic:
    print(dic)
1
2
3

打印state

littledic = checkpoint['optimizer_state_dict']['state']
for dic in littledic:
    print(dic)
1
2
3

print(checkpoint['optimizer_state_dict'])
1

---

通过以上操作，我们可以看出来，卷积核就是矩阵，神经网络就是利用梯度下降法去拟合最佳的卷积核，卷积核和样本数据的特征矩阵相乘就是预测结果。所以神经网络是可以解释的数学方法。所以你懂黑盒子了吗？