生成一段python语言的代码，利用CNN方法，实现对图像的特征提取，并展示所提取的特征

在Python中，我们可以使用深度学习库Keras来构建卷积神经网络（Convolutional Neural Network，CNN），用于图像特征提取。以下是一个简单的例子，展示如何使用Keras的`tf.keras`模块来创建一个基础的CNN模型：

import tensorflow as tf
from tensorflow.keras import layers

# 数据预处理，这里假设已经准备好训练集和测试集
(x_train, y_train), (x_test, y_test) = ... # 加载数据集

# 定义CNN模型
model = tf.keras.Sequential([
    # 第一层：二维卷积层，使用32个滤波器，大小为3x3，步长为1，填充为"same"
    layers.Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=x_train.shape[1:]),
    
    # 第二层：池化层，大小为2x2，步长为2
    layers.MaxPooling2D(pool_size=(2, 2)),
    
    # 添加更多卷积层和池化层... 可视具体情况调整层数和参数
    
    # 输出层：全连接层，用于分类任务，假设我们有10个类别
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')  # 对应10个类别的softmax激活
])

# 编译模型，设置损失函数、优化器和评价指标
model.compile(optimizer='adam',
              loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# 提取并查看最后一个卷积层的特征图（feature maps）
last_conv_layer = model.get_layer('conv2d_1')  # 根据实际命名替换 'conv2d_1'
features = last_conv_layer.output
grads = tape.gradient(features, model.trainable_variables)
activation_with_gradients = [activations.add(feature, grad) for feature, grad in zip(features, grads)]

在这个例子中，我们首先通过训练得到CNN的权重，然后可以利用`get_layer`获取最后一个卷积层的输出，这就是特征图。特征图展示了输入图像在经过卷积后的表示。