分类任务使用Pytorch实现Grad-CAM绘制热力图_pytorch 热力图

最新推荐文章于 2024-05-14 18:38:18 发布
最新推荐文章于 2024-05-14 18:38:18 发布
阅读量277 收藏 7
点赞数 4
分类专栏： 程序员 文章标签： 分类 pytorch 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_76225520/article/details/138308138
版权

错误一：TypeError: ‘module’ object is not callable

原因：实例化模型错误，这个是根据你实例化的方法去对应的。一定要写到具体的模型型号。

比如我的模型脚本是models.py，并且我想绘制的热力图具体型号是resnetXX

那就是model = models.resnetXX(num_classes=你对应数据集的类别)，比如我使用的数据集共有38类那就是38。

错误二：TypeError: Expected state_dict to be dict-like, got <class ‘XX’>.

原因：这个问题是由于你保存权重的方式，和在绘制热力图脚本里的加载权重的方式不同，

将train脚本中的保存权重方式稍作修改即可，将模型权重以字典的形式保存即可。

注意：如果你修改完以上操作仍然告诉你权重加载的代码报错，并显示缺少键值，那么就在热力绘制图脚本中将加载权重的代码后面加上一个Strict=False即可。

错误三：AxisError: axis 3 is out of bounds for array of dimension 3

原因：本问题出在代码输出的要是列表，所以将utils.py中Grad-CAM里的函数稍作修改即可，将返回的对象强制转为列表，如下图：

错误四：AttributeError: ‘tuple‘ object has no attribute ‘cpu‘

原因：这个问题，主要是因为没有指定具体的某一层，而是将目标层直接设定为某个stage或是模块名，这样会导致target_layers是一个元组，就会一直报这个错。对于这个问题，首先你要清楚你的网络模型的结构，可以通过输出print(model)的方式来查看自己模型具体的层结构。给大家打个比方，下图是我输出模型结构的一小块，此时如果我设定target_layers=[model.patch_embed_a]，那它就相当于被我设置成一个元组，但这样是无法应用在这个代码上的，我们需要继续细化到某一层，比如改成target_layers=[model.patch_embed_a.norm]这样就可以成功绘制热力图。

如下图所示：

以上就是我在将热力图代码融入自己模型和数据集所经历的坑，最后附带我根据自己数据集绘制的热力图，大家可以看到，经过训练之后的模型权重载入绘制的热力图能够让我们知道模型更加关注叶片的纹理。

为了做好运维面试路上的助攻手，特整理了上百道 【运维技术栈面试题集锦】 ，让你面试不慌心不跳，高薪offer怀里抱！

这次整理的面试题，小到shell、MySQL，大到K8s等云原生技术栈，不仅适合运维新人入行面试需要，还适用于想提升进阶跳槽加薪的运维朋友。

本份面试集锦涵盖了

  • 174 道运维工程师面试题
  • 128道k8s面试题
  • 108道shell脚本面试题
  • 200道Linux面试题
  • 51道docker面试题
  • 35道Jenkis面试题
  • 78道MongoDB面试题
  • 17道ansible面试题
  • 60道dubbo面试题
  • 53道kafka面试
  • 18道mysql面试题
  • 40道nginx面试题
  • 77道redis面试题
  • 28道zookeeper

总计 1000+ 道面试题， 内容 又全含金量又高

  • 174道运维工程师面试题

1、什么是运维?

2、在工作中，运维人员经常需要跟运营人员打交道，请问运营人员是做什么工作的?

3、现在给你三百台服务器，你怎么对他们进行管理?

4、简述raid0 raid1raid5二种工作模式的工作原理及特点

5、LVS、Nginx、HAproxy有什么区别?工作中你怎么选择?

6、Squid、Varinsh和Nginx有什么区别，工作中你怎么选择?

7、Tomcat和Resin有什么区别，工作中你怎么选择?

8、什么是中间件?什么是jdk?

9、讲述一下Tomcat8005、8009、8080三个端口的含义？

10、什么叫CDN?

11、什么叫网站灰度发布?

12、简述DNS进行域名解析的过程?

13、RabbitMQ是什么东西?

14、讲一下Keepalived的工作原理?

15、讲述一下LVS三种模式的工作过程?

16、mysql的innodb如何定位锁问题，mysql如何减少主从复制延迟?

17、如何重置mysql root密码?

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
bbs.csdn.net/topics/618542503)**

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

说又槐
关注
  • 4
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch-grad-cam：Grad-CAM的PyTorch实现
02-05
在Pytorch中实现Grad-CAM 是什么使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”： 将Grad-CAM与引导反向传播相结合的“ pug，pug-dog”类别： 梯度类激活图是用于深度学习网络的可视化技术。 参见论文： : 论文作者的火炬实现： : 我的Keras实现： : 这使用了来自torchvision的Resnet50。 首次使用时将被下载。 可以修改该代码以与任何模型一起使用。 用法： python gradcam.py --image-path <path> 要与CUDA一起使用： python gra
上手最常用的CV模型分析方法——使用grad-cam对ViT的输出进行可视化
Yuetian_w的博客
11-15 1681
Vision Transformer (ViT) 作为现在CV中的主流backbone，它可以在图像分类任务上达到与卷积神经网络 (CNN) 相媲美甚至超越的性能。ViT 的核心思想是将输入图像划分为多个小块，然后将每个小块作为一个 token 输入到 Transformer 的编码器中，最终得到一个全局的类别 token 作为分类结果。ViT 的优势在于它可以更好地捕捉图像中的长距离依赖关系，而不需要使用复杂的卷积操作。
pytorch-grad-cam-master.zip
05-29
grad-cam Pytorch实现，类激活图，可视化feature map，热图显示图像分类的分类原因，因为什么分的类。
Grad-CAM-tensorflow:Grad-CAM的Tensorflow实现（CNN可视化）
05-17
Grad-CAM-张量流 注意：CNN还有另一种很棒的可视化方法，称为 ，它仅涉及前向通过。 演示代码可用于Caffe和Tensorflow ResNet，Vgg。 请检查一下。 这是用于Grad-CAM的演示的tensorflow版本。 我使用ResNet-v1-101，ResNet-v1-50和vgg16进行演示，因为该模型是非常流行的CNN模型。 但是，grad-cam可以与其他任何CNN型号一起使用。 只需在我的演示代码中修改卷积层即可。 请参阅查看此存储库的演示。 要在此演示中使用VGG网络，必须下载VGG16 NPY的npy文件。 要使用ResNet-v1-50或ResNet-v1-101，请从下载权重 欢迎任何贡献 [原论文] Grad-CAM：梯度加权类激活映射 Ramprasaath R. Selvaraju，Abhishek Das，Ramakrishna V
【源代码文件】pytorch-grad-cam源代码阅读和调试
01-27
pytorch-grad-cam源代码阅读和调试
state_dict
weixin_42652869的博客
04-04 4015
引用
Pytorch中实现只导入部分模型参数的方式
blue_sky_wait_me
08-13 2654
我们在做迁移学习，或者在分割，检测等任务想使用预训练好的模型，同时又有自己修改之后的结构，使得模型文件保存的参数，有一部分是不需要的（don't expected）。我们搭建的网络对保存文件来说，有一部分参数也是没有的（missed）。如果依旧使用torch.load（model.state_dict())的办法，就会出现 xxx expected，xxx missed类似的错误。那么在这种情况下，该如何导入模型呢？ 好在Pytorch中的模型参数使用字典保存的，键是参数的名称，值是参数的具体数值。我们使
【深度学习代码报错修改】跑图像翻译（image-to-image translation）的代码【SPMPGAN】中遇到的问题总结
qq_45726976的博客
02-26 3370
深度学习代码报错修改
PyTorch加载模型model.load_state_dict()问题，Unexpected key(s) in state_dict: “module.features..，Expected .
热门推荐
是否龍磊磊真的一无所有的博客
04-17 6万+
希望将训练好的模型加载到新的网络上。如上面题目所描述的，PyTorch在加载之前保存的模型参数的时候，遇到了问题。 Unexpected key(s) in state_dict: "module.features. ...".，Expected ".features....". 直接原因是key值名字不对应。 表明了加载过程中，期望获得的key值为feature...，而不是...
model.load_state_dict(state_dict)报错问题
xuru_0927的博客
07-31 1万+
看一下训练得到的模型参数 state_dict = torch.load('logs/sanity_3/checkpoint', map_location='cuda' if args['train']['cuda'] else 'cpu') state_dict = state_dict['model'] 看一下参数 for k,v in state_dict.items(): print(k) 输出： module.block.0.layers.0.weight modul.
Grad-CAM.pytorch:pytorch实现Grad-CAM和Grad-CAM++,可以可视化任意分类网络的Class Activation Map (CAM)图,包括自定义的网络;同时也实现了目标检测faster r-cnn和retinanet两个网络的CAM图;欢迎试用、关注并反馈问题..
05-11
Grad-CAM.pytorch ​ pytorch 实现 和 3.1 3.3 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 Grad-CAM整体架构 Grad-CAM++与Grad-CAM的异同 依赖 python 3.6.x pytoch 1.0.1+ torchvision 0.2.2 ...
基于pytorch实现Grad-CAM和Grad-CAM++项目源码,可以可视化任意分类网络的CAM图
10-13
pytorch实现Grad-CAM和Grad-CAM++,可以可视化任意分类网络的Class Activation Map (CAM)图,包括自定义的网络;同时也实现了目标检测faster r-cnn和retinanet两个网络的CAM图; 使用方法 python main.py --image-path ...
可视化模型：深度学习中的 Grad-CAM 指南
Mo 的博客
12-20 788
Grad-CAM（梯度加权类激活映射）是深度学习中用于可视化和理解 CNN 做出的决策的一种技术。这项突破性的技术揭示了 CNN 做出的隐藏决定，将它们从不透明的模型转变为透明的讲故事者。把它想象成一个神奇的镜头，描绘出生动的热图，突出图像的本质，吸引神经网络的注意力。它是如何工作的？Grad-CAM 通过分析最后一个卷积层中的梯度来解码每个特征图对特定类别的重要性。Grad-CAM 解释 CNN，揭示对预测的见解，帮助调试并提高性能。类区分和定位，它缺乏像素空间细节高亮。
分类使用Pytorch实现Grad-CAM并绘制热力图
qq_41322802的博客
04-06 8625
import os import numpy as np import torch from PIL import Image import matplotlib.pyplot as plt from torchvision import models from torchvision import transforms import cv2 # from utils import GradCAM, show_cam_on_image, center_crop_img activations
自训练densenet的grad_cam可视化
m0_57201352的博客
01-15 1224
grad_cam使用
分类任务使用Pytorch实现Grad-CAM绘制热力图
Linchpin_的博客
03-27 3198
给大家打个比方，下图是我输出模型结构的一小块，此时如果我设定target_layers=[model.patch_embed_a]，那它就相当于被我设置成一个元组，但这样是无法应用在这个代码上的，我们需要继续细化到某一层，比如改成target_layers=[model.patch_embed_a.norm]这样就可以成功绘制热力图。对于深度学习网络，在我们指定数据集类别的情况下，Grad-CAM能够绘制出相应的热力图，让我们能够非常直观的看出网络关注的主要区域与特征是什么。
使用grad-cam对swin transformer的特征进行可视化
weixin_45977690的博客
09-20 7504
使用grad-cam对swin-transformer模型的特征图进行可视化
openpyxl报错TypeError: expected ＜class ‘str‘＞
weixin_42838934的博客
07-17 9425
记录openpyxl一个奇怪的问题 问题：使用openpyxl的load_workbook()方法加载excel时报错： 一开始以为是代码写错了，我尝试用相同的方法去加载其他的excel,发现都是正常的，看来只能时excel的问题。 找了度娘，有说是excel里有图片导致，我一看发现确实有图片；删掉但是并无啥用。 又看到说是把版本退回导2.5版本之前就行，尝试了一下，竟然可以了，不明白为啥，记录一下这个问题。 我的初始openpyxl版本: import openpyxl openpyxl.__versi
【Python】理解分类变量和连续变量
最新发布
2333333
05-14 557
凡是血肉的东西都难与灵魂一样高扬。在数据分析和建模过程中，变量可以分为不同的类型，其中最常见的两种类型是分类变量和连续变量。理解这两种变量类型及其处理方法对于数据分析和建模的成功至关重要。本文将介绍分类变量和连续变量的概念，并通过实例说明如何处理和分析这些变量。
生成基于自己创建的CNN回归模型的Grad-CAM可视化类激活的热力图 PyTorch实现代码
05-25
以下是基于自己创建的CNN回归模型的Grad-CAM可视化类激活的热力图的PyTorch实现代码： ```python import torch import torch.nn.functional as F import cv2 import numpy as np class GradCAM: def __init__(self, model, target_layer): self.model = model self.target_layer = target_layer self.feature_maps = None self.gradient = None self.activation_maps = None def forward(self, x): self.feature_maps = [] self.gradient = [] for name, module in self.model.named_modules(): x = module(x) if name == self.target_layer: x.register_hook(self.gradient_hook) self.feature_maps.append(x) elif "conv" in name: self.feature_maps.append(x) self.activation_maps = x return self.activation_maps def gradient_hook(self, grad): self.gradient.append(grad) def backward(self): gradient = self.gradient[0] feature_maps = self.feature_maps[-1] batch_size, channel, height, width = feature_maps.shape weights = F.adaptive_avg_pool2d(gradient, (1, 1)) weights = weights.view(batch_size, channel) activation_maps = feature_maps.view(batch_size, channel, -1) weights = weights.unsqueeze(-1) cam = torch.bmm(activation_maps, weights) cam = F.relu(cam) cam = cam.view(batch_size, 1, height, width) cam = F.interpolate(cam, size=(224, 224), mode='bilinear', align_corners=False) cam = cam.squeeze() return cam.detach().cpu().numpy() model = YourCNNModel() gradcam = GradCAM(model, 'conv2') # target_layer is the layer you want to visualize # input image img = cv2.imread('image.jpg') img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (224, 224)) img = np.transpose(img, (2, 0, 1)) img = np.expand_dims(img, axis=0) img = torch.from_numpy(img).float() # forward pass and backward pass output = model(img) cam = gradcam.forward(img) cam = gradcam.backward() # plot the heat map plt.imshow(img.squeeze().permute(1, 2, 0)) plt.imshow(cam, alpha=0.5, cmap='jet') plt.show() ``` 其中，`GradCAM`类实现了Grad-CAM算法的前向传播和反向传播，`model`是你自己创建的CNN回归模型，`target_layer`是你想要可视化的卷积层名称。在使用时，需要将输入图像转换为PyTorch张量，然后调用`gradcam.forward()`得到卷积层的特征图和梯度，再调用`gradcam.backward()`得到类激活热力图。最后，将输入图像和类激活热力图叠加在一起即可得到可视化结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值