用python完成对卷积神经网络的设计与实现 要求： （1）搭建一个2层卷积操作的神经网络系统，输入任意图像，通过卷积，输出每次卷积后的效果和维度，对每层的卷积图像进行可视化输出； （2）对卷积神经网络进行存储和加载。

在Python中，我们可以使用深度学习库Keras或PyTorch来设计和实现一个简单的2层卷积神经网络。以下是一个使用Keras的例子：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
import numpy as np
from keras.utils.vis_utils import plot_model

# 定义模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))  # 第一层卷积，32个3x3滤波器
model.add(MaxPooling2D(pool_size=(2, 2)))  # 下采样
model.add(Conv2D(64, (3, 3), activation='relu'))  # 第二层卷积，64个3x3滤波器
model.add(MaxPooling2D(pool_size=(2, 2)))

# 输出特征图的维度
output_shape = model.output_shape[1:]  # 去掉batch size
print(f"第一层卷积输出形状: {output_shape}")
print(f"第二层卷积输出形状: {model.layers[-1].output_shape[1:]}")

# 可视化模型结构
plot_model(model, to_file='convnet.png', show_shapes=True)

# 模型保存和加载
model.save('my_cnn.h5')
new_model = load_model('my_cnn.h5')  # 如果你想在其他地方重新加载这个模型

# 对输入图像进行前向传播并可视化卷积结果，这需要额外的数据处理和展示工具
# 示例代码：
# x_test = ...  # 加载测试数据
# feature_maps = model.predict(x_test)  # 获取特征映射
# visualize(feature_maps, input_images=x_test)  # 自定义函数用于可视化卷积结果

在这个例子中，我们首先创建了一个顺序模型，然后添加了两层卷积层，每个卷积层之后都有最大池化层。模型结构、每层卷积后的维度以及如何保存和加载都被详细说明。

注意，对于实时的卷积过程可视化，通常会涉及到一些额外的数据预处理步骤，比如将卷积后的张量转换成可以显示的颜色图像，并将其与原始输入图像叠加在一起，这里省略了具体的实现细节。