理解多类别热力图&&热力图绘制代码（易用，可快速选择类别）

在多类别分类任务中生成的热力图（例如语义分割或图像分类任务中的类别概率图），通常每个像素会对应多个类别的概率。假设已经经过 softmax 层处理，那么每个像素点的值是某个类别的概率分布，取值范围在 [0, 1] 之间，并且所有类别的概率之和为 1。热力图颜色深浅的含义取决于你选择显示的类别的概率。

如何理解多类别的热力图

1. 单类别热力图：

   • 如果你只想观察某个类别的分布，可以从 softmax 输出中选择该类别的概率矩阵生成热力图。
   • 在这种情况下，颜色越深（假设使用的是深色调的颜色映射），表示该类别的概率越高，即模型越“确信”该像素属于该类别。
   • 比如，选择类别 A 的概率图生成热力图，则颜色深浅代表类别 A 的概率强弱，越深说明该像素越可能属于类别 A。

2. 多类别综合热力图：

   • 在某些情况下，可能希望在一张热力图中展示多类别信息。这种情况下通常会采用不同颜色表示不同类别，然后颜色的深浅表示该类别的概率强度。
   • 例如，类别 A 用红色，类别 B 用蓝色，类别 C 用绿色，那么每个像素点的颜色会是各类别颜色按其概率强度混合的结果。颜色越深的部分，表示模型在该类别上的预测越“确定”。

颜色越深的含义

• 颜色越深表示更高的概率值：在单类别热力图中，经过 softmax 后，颜色越深的区域表示该类别的概率越接近 1，说明模型认为这些像素很可能属于该类别。
• 低概率表示浅色：对于较浅的颜色（接近白色或透明），表示模型认为该类别的可能性较低，或更倾向于其他类别。

示例说明

假设我们有一个经过 softmax 的输出张量，尺寸为 [3, 256, 256]，代表三个类别，每个通道对应一个类别的概率图。

• 类别 1 热力图：可以取张量的第一个通道 [256, 256] 来绘制类别 1 的概率分布热力图，颜色越深表示越高的概率。
• 类别 2 热力图：同样，可以取张量的第二个通道 [256, 256] 来绘制类别 2 的概率分布热力图。

代码示例

import matplotlib.pyplot as plt
import torch

def plot_heatmap(data, category, cmap='viridis'):
    """
    绘制指定类别的概率热力图

    参数:
    - data: Softmax 后的多类别概率张量，例如形状为 [3, 256, 256]
    - category: 要绘制的类别索引，例如 0 表示第一个类别
    - cmap: 颜色映射，默认 'viridis'
    """
    if isinstance(data, torch.Tensor):
        data = data[category].numpy()
    elif isinstance(data, np.ndarray):
        data = data[category]
    else:
        raise TypeError("data must be a torch Tensor or numpy array")
    
    plt.imshow(data, cmap=cmap)
    plt.colorbar()
    plt.title(f"Category {category} Probability Heatmap")
    plt.show()

# 假设 softmax 后的张量，形状为 [3, 256, 256]
softmax_output = torch.rand(3, 256, 256)  # 示例数据

# 绘制类别 0 的概率热力图
plot_heatmap(softmax_output, category=0, cmap='hot')

总结

• 颜色越深：表示该类别的概率越高，即模型对该类别的置信度越高。
• 不同类别可以分别绘制热力图：每个类别的概率图可以单独绘制成一张热力图，以便观察该类别在图像中的分布情况。
• 多类别混合显示：可以通过颜色映射的方式，将多个类别的概率分布叠加在一起，以不同颜色表示不同类别的置信度分布。