深度学习之如何使用Grad-CAM绘制自己的特征提取图-（Pytorch代码，详细注释）神经网络可视化-绘制自己的热力图

已于 2022-12-02 19:00:02 修改
阅读量1.1w 收藏 141
点赞数 40
分类专栏： 深度学习 卷积神经网络 数据可视化 文章标签： 神经网络 深度学习 pytorch 1024程序员节
于 2022-06-02 17:05:27 首次发布
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/qq_43215597/article/details/125101847
版权

论文名称：Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization
论文下载地址：https://arxiv.org/abs/1610.02391       

众所周知，我们一般是将神经网络理解成一个黑匣子，因此我们往往不知道神经网络特征提取提取的具体是图片的那部分，因此Grad-CAM诞生了，我们只需要少量的代码，Grad-CAM，就可以识别对神经网络模型特征提取图实现可视化，然后使我们清楚地看到神经网络究竟是根据图像的那部分特征进行识别的。

CAM我们就不讲了，挺麻烦的还得重新训练网络才可以绘制自己的热力图，因此为了解决CAM的问题，Grad-CAM于2017年诞生，他通过对某一层卷积层输出进行一系列的处理，可以得到我们网络提取的特征图，进行可视化。

如果我们绘制一系列的热力图我们就可以清楚的看到神经网络如何对我们的网络进行学习的。（详细的可以看上面的论文）这里我们介绍如何使用简单的使用自己的数据集和自己的模型绘制自己的热力图

如图 我这里是（随便拿了个网络的玉米病斑数据，然

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小馨馨的小翟
关注
  • 40
    点赞
  • 踩
  • 141
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 34
    评论
专栏目录
订阅专栏
深度学习项目九：YOLO v5结合热力图并可视化以及网络各层的特征图
m0_60890175的博客
03-19 3692
YOLO v5结合热力图并可视化以及网络各层的特征图
[论文必备]梯度加权的类激活热力图（Grad-CAM）可视化以及踩坑经历分享
路人贾的博客
09-06 1万+
YOLOv5结合Grad-CAM热力图可视化。包含代码原理分块讲解，超级详细的步骤，小白避免踩坑！
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
深度学习中的热力图
最新发布
weixin_42605076的博客
06-15 691
热力图在深度学习中是一个强大的可视化工具，通过颜色变化来表示数值大小，便于理解数据的分布、模型的关注区域和特征的重要性。它广泛应用于特征可视化、预测结果分析、异常检测和数据分布可视化等领域。尽管热力图存在一些局限性，但其直观性和可解释性使其成为深度学习模型分析和理解的重要手段。
使用Pytorch实现Grad-CAM并绘制热力图
weixin_42396719的博客
12-08 3439
就直接从官方的torch vision这个库当中导入一些我们常用的model。比如说我这里的例子是采用的mobile net v3 large这个模型。它就会自动的去下载torch官方在imagenet上预训练好的模型权重。我们这里采用的模型呢是在image net 1k上预训练好的模型。接着这里的target layers也要根据你自己的模型去设置。首先呢我们这里需要指定一下我们的target layers。紧接着呢我们还需要去指定一下我们所感兴趣的这个类别。
[PyTorch]即插即用的热力图生成
就随便写写....
10-17 2934
一段Pytorch快速生成热力图的代码
【深度学习】pytorch 可视化类激活的热力图 Visualizing heatmaps of class activation
q742971636的博客
02-27 2135
Visualizing heatmaps of class activation” 是指使用深度学习模型的中间层特征来可视化分类器对图像的响应区域，从而确定哪些区域对于特定类别的识别最为关键。在深度学习中，卷积神经网络（CNN）已被广泛用于图像分类任务。CNN在其卷积层中学习特征并将其传递到后续层进行分类。通过在CNN中添加类似于全局平均池化的降维层，可以确定每个类别对于哪些图像特征区域最为敏感。
深度学习中获得中间的特征图/low level feature map/high level feature map/特征图可视化
qq_43369406的博客
05-04 2170
其中，name表示子模块的名称（由于Sequential中子模块没有名称，因此默认情况下，它们的名称为其在Sequential中的索引），module表示子模块本身。在该函数中，我们首先将输出张量转换为NumPy数组，并取出第一个样本的特征图。需要注意的是，在hook函数中我们可以获取到模块的输入、输出以及模块自身，这些参数都可以在后续的分析或处理中使用。如果模型中嵌套了一个小模型，也是继承自nn.Module的，要获取该小模型中某一特定层的输出特征矩阵，可以使用类似于前面的示例的方法。
Pytorch可视化神经网络热力图(CAM)
热门推荐
Custom自定义
12-03 5万+
最近在做一个细粒度识别的项目，具体而言是为了做一个特定场景的车辆/车种检测，因为摄像头角度问题，大多时候只有车辆的一部分处于画面内，所以没有走检测的方式，而是尝试了一下通过各种数据增强（主要是裁剪）来指导网络对不同车种车辆的各个部位进行学习，从而指导车种分类以及有无车辆检测，最终达到监控车辆（车种）的目的。 但是因为数据集不大，尽管模型收敛很好，但心里还是没底，担心是过拟合。于是想到可以可视化一...
Pytorch特征图heat map热力图可视化
Lily的博客
06-25 5588
网络热力图
Pytorch使用Grad-CAM绘制热力图
weixin_44040169的博客
11-24 5761
使用grad_cam对不同预测目标的图像做activate图。需要模型feature的最后一层，模型训练权重。使用的是自己训练的MobileNetV2。原理与代码学习自B站。
pytorch-grad-cam-master.zip
05-29
《PyTorch实现Grad-CAM：深度学习中的可视化与图像分类理解》 Grad-CAM（Gradient-weighted Class Activation Mapping）是一种在计算机视觉领域广泛应用的技术，它可以帮助我们理解深度学习模型在进行图像分类时...
【源代码文件】pytorch-grad-cam源代码阅读和调试
01-27
5. **可视化**：使用matplotlib或其他可视化库，绘制Grad-CAM热力图，与原始图像对比，观察是否合理。 在调试时，你可以用不同的输入图像和目标类别测试代码，看看Grad-CAM的输出是否符合预期。如果输出不符合预期...
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...
Swin-Transformer+gradcam可视化代码+Windows环境.zip
01-18
Swin-Transformer+gradcam可视化代码+Windows环境
Grad-CAM（Gradient-weighted Class Activation Mapping）热力图（内含示例代码）
weixin_57111012的博客
12-03 1507
Grad-CAM（Gradient-weighted Class Activation Mapping）是一种用于可视化卷积神经网络（CNN）中特定类别的激活区域的技术。Grad-CAM帮助我们理解神经网络在分类任务中的决策过程，特别是它关注哪些图像区域以及这些区域对最终分类结果的影响。这使得Grad-CAM成为一种在解释深度学习模型决策时广泛使用的工具。具体来说，Grad-CAM使用神经网络的梯度信息来生成权重，这些权重用于对特定类别的激活区域进行加权。
AI工程常用技能2.使用Grad-Cam对yolov5模型进行热力图可视化
Jumy_S的博客
10-02 438
Grad-CAM(Class Activation Mapping-类别激活映射图)是非常常见的神经网络可视化的工具，用于探索模型的可解释性。类别激活映射图是一张图像，表示对预测输出的贡献分布，分数越高的地方表示原始图片对应区域对网络的响应越高、影响越大。grad-cam的计算，其实就是只需要两个值，一个是输出特征层，另一个是模型最后的某个类别对该特征层的梯度。
深度学习框架输出可视化中间层特征与类激活热力图
m0_73832962的博客
12-28 962
有时候为了分析深度学习框架的中间层特征，我们需要输出中间层特征进行分析，这里提供一个方法。
深度学习热力图可视化的方式
weixin_37707670的博客
06-11 1325
热力图可视化
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 34
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

打赏作者

小馨馨的小翟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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