用keras库写cnn代码，数据集为sin2x的函数值，要求把卷积层可视化

以下是一个用 Keras 库编写 CNN 代码，并且可视化其卷积层输出的示例：

import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

# 生成 sin2x 数据集
X = np.arange(0, 2*np.pi, 0.01)
y = np.sin(2*X)

# 将数据集转换为卷积层输入的格式
X = X.reshape(-1, 1, 1)
y = y.reshape(-1, 1, 1)

# 定义 CNN 模型
model = Sequential()
model.add(Conv1D(32, 3, activation='relu', input_shape=(1, 1)))
model.add(MaxPooling1D())
model.add(Flatten())
model.add(Dense(1, activation='linear'))
model.compile(optimizer='adam', loss='mse')

# 训练 CNN 模型
model.fit(X, y, epochs=10, batch_size=32)

# 定义一个函数，用于获取卷积层的输出
get_conv_output = K.function([model.layers[0].input], [model.layers[0].output])

# 获取卷积层的输出
conv_output = get_conv_output([X])[0]

# 将输出可视化
plt.figure(figsize=(10, 10))
for i in range(32):
    plt.subplot(4, 8, i+1)
    plt.imshow(np.squeeze(conv_output[:, :, i]), cmap='gray')
plt.show()

这段代码中，我们首先生成了 sin2x 数据集，并将其转换为卷积层输入的格式。然后定义了一个简单的 CNN 模型，使用 sin2x 数据集进行训练。在训练完成后，我们使用 `K.function()` 函数定义了一个获取卷积层输出的函数 `get_conv_output()`。最后，我们使用该函数获取卷积层输出，并将其可视化。