热力图可视化工具，面试大厂ui

除了权值的获取方式发生变化，在第4步还增加Relu计算，只保留正值。这是因为在类激活图中，我们最关心的是哪些像素对于类别 c 的预测起到了正面作用。当然你也可以只取负值，关心一下哪些像素降低了类别 c 的得分。

基于 Grad-CAM，研究者们后续又提出了一系列改进的方法，包括 Grad-CAM++，LayerCAM 等等。

在 MMClassification 中的快速使用

MMClassification 提供了一个快捷可视化 CAM 的工具，支持前文提到的大部分 CAM 可视化方法。该工具基于 pytorch-grad-cam 库，因此在使用前需要先使用 pip install “grad-cam>=1.3.6” 安装该库。

python tools/visualizations/vis_cam.py ${IMG_PATH} ${CFG_PATH} ${WEIGHT_PATH}

必须传入的参数有3个：

• IMG_PATH ：需要可视化 CAM 的图片路径

• CFG_PATH ：配置文件路径

• WEIGHT_PATH ：模型权重文件路径。

比如对 ResNet50 进行 CAM 可视化：

安装 mmcv, mmcls, pytorch-grad-cam 后，在 MMClassification 目录下：

=====================================================================================================================

python tools/visualizations/vis_cam.py

demo/bird.JPEG

configs/resnet/resnet50_8xb32_in1k.py

https://download.openmmlab.com/mmclassification/v0/resnet/resnet50_batch256_imagenet_20200708-cfb998bf.pth

对于 Transformer 结构的网络，需要加上 --vit-like ，如对 Swin-Transformer 进行 CAM 可视化：

python tools/visualizations/vis_cam.py

demo/bird.JPEG

configs/swin_transformer/swin-tiny_16xb64_in1k.py

https://download.openmmlab.com/mmclassification/v0/swin-transformer/swin_tiny_224_b16x64_300e_imagenet_20210616_090925-66df6be6.pth

–vit-like

图 3 不同模型所得的 CAM 对比图

！注意：

默认情况下，工具会自动采用最后一个 norm 层作为可视化 CAM 的目标层，但也可以通过可以通过–target-layers 选项指定。如何选择目标层可以参考

https://mmclassification.readthedocs.io/zh_CN/latest/tools/visualization.html#id4

CAM 工具使用详解

使用不同的 CAM 方法

–method 指定可视化 CAM 的方法。目前支持的 CAM 可视化方法有：

例如：使用不同方法对 ResNet50 网络进行 CAM 可视化：

python tools/visualizations/vis_cam.py

demo/bird.JPEG

configs/resnet/resnet50_8xb32_in1k.py

https://download.openmmlab.com/mmclassification/v0/resnet/resnet50_batch256_imagenet_20200708-cfb998bf.pth

–method GradCAM

# GradCAM++, XGradCAM, EigenCAM, EigenGradCAM, LayerCAM

图 4 不同 CAM 方法对比图

可视化不同类别的 CAM

默认情况下，网络会使用网络预测的类别作为可视化的目标类别，但也可以通过 --target-catgory 选项指定类别。

例如，在 ImageNet 数据集中，类别 238 为 ‘Greater Swiss Mountain dog’，类别 281 为 ‘tabby, tabby cat’，对同时包含猫狗的一张图分别进行两个类别的 CAM 可视化：

python tools/visualizations/vis_cam.py

demo/cat-dog.png configs/resnet/resnet50_8xb32_in1k.py

https://download.openmmlab.com/mmclassification/v0/resnet/resnet50_batch256_imagenet_20200708-cfb998bf.pth

–target-layers ‘backbone.layer4.2’

–method GradCAM

–target-category 238

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

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，都欢迎扫码加入我们的的圈子（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！

csdnimg.cn/f5aeb4050ab547cf90b1a028d1aacb1d.png#pic_center)

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，都欢迎扫码加入我们的的圈子（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！
[外链图片转存中…(img-zFmjMzhg-1712840420058)]