AlexNet可以通过其卷积层的特征图来捕捉图像边缘的小子图像。以下是一个使用PyTorch的代码示例，演示如何使用AlexNet来提取图像边缘的小子图像。

import torch
import torch.nn as nn
import torchvision.models as models
from torchvision import transforms

# 加载AlexNet模型
alexnet = models.alexnet(pretrained=True)
alexnet.eval()

# 定义预处理转换
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载图像
image = Image.open('image.jpg')

# 预处理图像
input_tensor = preprocess(image)
input_batch = input_tensor.unsqueeze(0)

# 使用AlexNet进行前向传播
with torch.no_grad():
    features = alexnet.features(input_batch)

# 提取某一层的特征图
layer_num = 3  # 在这里选择需要的卷积层
layer_features = features[layer_num]

# 可以根据需要将特征图可视化或进一步处理

在上面的示例中，我们首先加载了预训练的AlexNet模型，并设置为评估模式。然后定义了预处理转换，将图像转换为模型所需的输入格式。之后，我们加载了图像并进行预处理。通过将图像输入AlexNet的features模块，我们可以获得所有卷积层的特征图。选择特定的卷积层后，我们可以将其用于进一步的可视化或处理。