我正在使用 TensorFlow 来了解卷积自动编码器。我已经实现了一个简单的单层自动编码器，它可以做到这一点：
输入（尺寸：95x95x1）---> 编码（使用 32 个 5x5 滤波器进行卷积）---> 潜在表示（尺寸：95x95x1x32）---> 解码（使用绑定权重）---> 重构输入（尺寸：95x95x1）
输入是黑白边缘图像，即对 RGB 图像进行边缘检测的结果。
我随机初始化过滤器，然后训练模型以最小化损失，其中损失定义为输入和重构输入的均方误差。
loss = 0.5*(tf.reduce_mean(tf.square(tf.sub(x,x_reconstructed))))
经过 1000 步训练后，我的损失收敛，网络能够很好地重建图像。但是，当我将学习到的过滤器可视化时，它们看起来与随机初始化的过滤器并没有太大区别！但是过滤器的值会随着训练步骤的不同而变化。
我本来期望至少水平和垂直边缘过滤器。或者，如果我的网络正在学习“身份过滤器”，我会期望过滤器都是白色的吗？
有人对此有任何想法吗？或者对我可以做些什么来分析正在发生的事情有什么建议吗？我应该在解码之前包括池化和去池化层吗？
谢谢！
P/S：我在 RGB 图像上尝试了相同的模型，过滤器再次看起来是随机的（就像随机的颜色斑点）。