此篇是利用matlab对caffemodel的卷积核进行可视化。只介绍了卷积核的可视化，不涉及特征图的可视化。 
是参考此博客： http://blog.csdn.net/zb1165048017/article/details/52643188

前期准备，需要两个东西 
1. 模型的描述文件 deploy.prototxt 
2. 模型本身lenet_iter_10000.caffemodel （此处用的examples中的mnist里的）

第一步：

在创建D:\caffe-master\matlab\demo 下创建 visualizing.m

clc
clear
addpath(‘..‘) % 加入+caffe路径  
caffe.set_mode_cpu() ;% 设置CPU模式  
model = ‘D:/caffe-master/examples/mnist/lenet.prototxt‘; % 模型描述  
weights = ‘D:/caffe-master/examples/mnist/lenet_iter_10000.caffemodel‘; % 参数  
net = caffe.Net(model,‘test‘); % 读取net
weight_partvisual( net, 1,1)  %　调用部分显示函数　weight_partvisual( net,layer_num ,channels_num )  
                               %  layer_num是第几个卷积层， channels_num 表示
                               %  显示第几个通道的卷积核，取值范围为 （0，上一层的特征图数）

第二步：

在创建D:\caffe-master\matlab\demo 下创建weight_partvisual.m

function [  ] = weight_partvisual( net,layer_num ,channels_num )  
layers=net.layer_names;  
convlayer=[];  
for i=1:length(layers)  
    if strcmp(layers{i}(1:3),‘con‘)  
        convlayer=[convlayer;layers{i}];  
    end  
end  
w=net.layers(convlayer(layer_num,:)).params(1).get_data();  
b=net.layers(convlayer(layer_num,:)).params(2).get_data();  
w=w-min(w(:));  
w=w/max(w(:))*255;  

weight=w(:,:,channels_num,:);%四维，核长*核宽*核左边输入*核右边输出(核个数)  
[kernel_r,kernel_c,input_num,kernel_num]=size(w);  
map_row=ceil(sqrt(kernel_num));%行数  
map_col=map_row;%列数  
weight_map=zeros(kernel_r*map_row,kernel_c*map_col);  
kernelcout_map=1;  
for i=0:map_row-1  
    for j=0:map_col-1  
        if kernelcout_map<=kernel_num  
            weight_map(i*kernel_r+1+i:(i+1)*kernel_r+i,j*kernel_c+1+j:(j+1)*kernel_c+j)=weight(:,:,:,kernelcout_map);  
            kernelcout_map=kernelcout_map+1;  
        end  
    end  
end  
figure  
hAxe=axes(‘Parent‘,gcf,... % 设置新的axe， 将‘parent‘ 属性设置为当前窗口gcf
    ‘Units‘,‘pixels‘,...     %设置单位为pixels
    ‘Position‘,[500 0 605 705]);  % 指定axe的位置 left和bottom设定了axe的左下角坐标，width和height设定了窗口的宽度和高度
axes(hAxe);
imshow(uint8(weight_map))  
str1=strcat(‘weight num:‘,num2str(kernelcout_map-1));  
title(str1)  

end  

运行 visualizing.m

结果如图： 

感觉看不出什么规律来，是否因为mnist图像太小？ 而像训练imagenet时模型输入是 256*256，因此训练得到的卷积核看起来有一些规律（类似边缘）。

PS： 这里用的是将 权值（w -min（w） / max（w） ） *255 
这个原理没搞明白，如果有清楚的同学告诉我吧，THX~