Что хотят услышать интервьюеры:

Ожидают понимание того, что декомпозиция CNN обычно превращает набор свёрточных фильтров в более интерпретируемые компоненты. Визуально это может выглядеть как карты признаков, базисные паттерны или набор простых фильтров, из которых собирается исходная сеть. Важно уметь объяснить, что результат зависит от метода декомпозиции: SVD, low-rank approximation, pruning, factorization и т. д.

Определение:

Декомпозиция CNN — это разложение части сети, чаще всего свёрточного слоя или набора весов, на более простые компоненты с целью упростить модель, ускорить вычисления или понять, какие признаки она использует.
Визуально результат может проявляться как:

набор более простых фильтров вместо одного сложного;
уменьшение числа каналов в промежуточных представлениях;
карты активаций, где видно, какие паттерны выделяются;
приближённое восстановление исходного фильтра через несколько более маленьких матриц/свёрток.

Если речь о визуализации в терминах анализа модели, то результат часто выглядит как группы фильтров, реагирующих на края, текстуры, углы или более сложные локальные шаблоны.

Пример использования:

Например, если декомпозировать свёрточный слой с большим числом параметров, можно заменить его на последовательность более простых операций и затем сравнить, как изменились фильтры и активации.

# Идея: визуализируем, что один "тяжёлый" conv-слой
# можно приблизить несколькими более простыми компонентами.

# Было:
# Conv2D(in_channels=64, out_channels=128, kernel_size=3)

# Стало условно:
# Conv2D(64, 32, kernel_size=1)
# Conv2D(32, 128, kernel_size=3)

# Визуально после декомпозиции:
# - меньше параметров
# - фильтры могут стать "разделёнными" по ролям
# - карты активаций чаще выглядят как более узкие и специализированные

Если использовать метод вроде SVD для матрицы весов, то результат можно представить как произведение двух или нескольких матриц меньшего ранга, а визуально — как приближение исходного фильтра через набор простых шаблонов.

Пояснение кода:

Код не требуется, потому что вопрос концептуальный и про визуальный результат.
Если разбирать пример выше по шагам, то смысл такой:

Берётся исходный свёрточный слой с большим числом параметров.
Он аппроксимируется более компактной структурой.
После этого можно сравнить исходные и новые фильтры, а также карты активаций.
На визуализации обычно видно, что сложный фильтр распадается на более простые и специализированные компоненты.

Ключевые моменты:

Визуальный результат декомпозиции CNN зависит от метода: факторизация, low-rank approximation, pruning и другие техники выглядят по-разному.
Чаще всего видно уменьшение сложности фильтров и числа параметров.
На картинках это может быть набор более простых паттернов вместо одного сложного свёрточного ядра.
В активациях часто заметно, что сеть начинает выделять более локальные и специализированные признаки.
Декомпозиция не обязательно улучшает качество визуально: иногда она лишь приближает исходную сеть с приемлемой потерей точности.
На собеседовании важно разделять визуализацию весов, фильтров и карт активаций — это не одно и то же.

Как визуально выглядит результат декомпозиции CNN?