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)]