本研究提出了一种网络切片框架，通过评估隐藏单元与语义概念的对齐来量化CNN的可解释性。分析卷积层单元的语义，测试其可解释性，并比较不同训练任务的网络表示。研究了训练迭代、网络初始化、深度和宽度对可解释性的影响，以及dropout和批标准化的效果。结果显示该方法能揭示CNN模型和训练方法之外的特征。

本研究提出了一种通用框架，通过评估隐藏单元与语义概念之间的对齐来量化CNN的可解释性。该方法测试了不同网络的潜在表示，并分析了训练迭代、网络初始化、深度和宽度的影响。结果显示该方法能揭示超出CNN模型和训练方法辨别能力之外的特征。