【实验核心】Python复现Grad-Cam算法，并保存类激活映射图。

已于 2023-04-17 16:59:10 修改
阅读量569 收藏
点赞数
分类专栏： 代码复现 文章标签： python 算法 深度学习
于 2023-03-19 22:09:45 首次发布
信小海
本文链接：https://blog.youkuaiyun.com/qq_40968179/article/details/129650976
版权
这篇博客介绍了如何在Python中复现Grad-Cam算法，包括计算输入图像不同标签分量的Grad-Cam和在训练过程中保存可视化结果。文章提供了相关代码，适用于ResNet50模型，并给出了在主文件中调用的示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Python复现Grad-Cam算法，并保存类激活映射图。

前言

  笔者假设看到这篇博文的同学是清楚Grad-Cam原理的。如果你对Grad-Cam不是很清楚，那么我建议你可以先看CAM对应的论文，然后再看Grad-Cam对应的论文，最后结合Grad-Cam论文中的公式来学习并应用下述代码。

  退一步讲，如果你不想了解，只是单纯地想用Grad-Cam，那么直接复制下文代码，也是没有问题的，你几乎不需要做太大的改动！

一、根据网络输出的logits及特征图计算输入图像不同标签分量对应的Grad-Cam

  建议大家将下述代码存为一个 ops.py文件 。其中，cal_grad_cam函数 根据网络输出的logits及中间特征图 计算输入图像对应 特征图的Grad-Cam。Grad-Cam可以理解为输入图像对应特征图的一个重要性矩阵，经过归一化后的Grad-Cam，其元素值表示了对应特征图位置元素的重要性。

  以ResNet50为例，若cal_grad_cam函数的输入分别为网络输出的logits和最后一层卷积输出的特征图pools，那么将返回一个batch_size * 1 * 7 * 7大小的Grad-Cam，分

了解本专栏 订阅专栏 解锁全文 超级会员免费看
利用Grad-CAM技术进行深度理解的肺炎CT图像分析
sybh的博客
06-23 567
本项目基于ResNet实现新冠肺炎CT图像识别的全流程，从数据集开始：梳理结构、重命名文件（此操作不在报告内赘述），划分数据集，计算均值和标准差，自定义数据集（paddle.io.Dataset），数据集预处理。到搭建ResNet网络结构：定义BasicBlock，定义BottleneckBlock，定义ResNet，查看网络结构。最后训练和评估模型，实现图像预测。
目标检测YOLO实战应用案例100讲-基于深度学习的无人机航拍图像目标检测算法研究与应用
qq_36130719的博客
05-28 3837
目标检测的目的是识别出图像中感兴趣的物体并将其定位，相比于传统手工提取图像特征的方法，基于深度学习的目标检测方法更加高效。同时，由于无人机工作的空域环境较为复杂，的范围，可见光遥感探测技术及其成像器件的发展使获得的影像幅宽更大，图像。随着时间的推移和科学技术的进步，在多元化的应用场景和海量。的数据下，人工判读的方式耗时费力且容易出错，因此催生出对无人机航拍影像。比例远高于自然场景影像，且小目标在图片中像素点较少，提供的分辨率有限，觉领域中相关技术的不断发展和完善，面向自然图像的目标检测技术日趋成熟，
Python-GradCAM的Pytorch实现
08-11
Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM
使用Python进行Grad-CAM ++：深度卷积网络的改进视觉解释
深度学习与计算机视觉
02-07 3024
在Grad-CAM ++和Guided Grad-CAM ++显著图中，**狗（多个对象）的可视化效果更好（第一行和第二行），并且该类的整个区域都处于局部状态（第三行和第四行），**而Gr...
【大模型与机器学习解惑】如何用 Grad-CAM 等可解释方法分析 ResNet 的注意区域？
人工智能(AI)技术，大模型技术，深度学习，机器学习，计算机视觉，AI工具实践应用等分享
04-17 922
如何用 Grad-CAM 等可解释方法分析 ResNet 的注意区域？
[ 可视化 ] 经典网络模型 —— Grad-CAM 详解与复现
热门推荐
A_John 的博客
07-08 4万+
[ 可视化 ] 经典网络模型 —— Grad-CAM 详解与复现 1、Grad-CAM； 2、Grad-CAM 详解；论文贡献；原理介绍；Grad-CAM 可视化流程；Grad-CAM 计算；Guided Grad-CAM；实例展示；评估 Grad-CAM 定位能力，Grad-CAM 图像分类、视觉解释和文本解释、图像描述、视觉问答、其他； 3、Grad-CAM 复现 基于此提出的 ``Grad-CAM`` 利用热力图的方式实现网络预测过程的可视化，并帮助我们更好的理解神经网络 ；.........
Torch 论文复现：梯度加权类激活映射 Grad-CAM
荷碧TongZJ 的水文
07-14 4389
全称Gradient-weightedClassActivationMapping，用于卷积神经网络的可视化，甚至可以用于语义分割不过我是主要研究目标检测的，在看论文的时候就没有在意语义分割的部分Grad-CAM的前身是，CAM的基本的思想是求分类网络某一类别得分对高维特征图(卷积层的输出)的偏导数，从而可以该高维特征图每个通道对该类别得分的权值；而高维特征图的激活信息(正值)又代表了卷积神经网络的所感兴趣的信息，加权后使用热力图呈现得到CAM。......
Grad-CAM的Pytorch实现-python
06-18
Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM Pytorch 中的 Grad-CAM 实现是什么让网络认为图像标签是“哈巴狗，哈巴狗”和“虎斑猫，虎斑猫”：将 Grad-CAM 与引导反向传播结合用于“哈巴狗，哈巴狗”类：梯度类激活图是深度学习网络的一种可视化技术。 见论文：https://arxiv.org/pdf/1610.02391v1.pdf 论文作者火炬实现：https://github.com/ramprs/grad-cam 我的 Keras 实现：https://github.com/jacobgil /keras-grad-cam 这使用来自 torchvision 的 VGG19。 第一次使用时会下载。 可以修改代码以适用于任何模型。 然而，torchvision 中的 VGG 模型具有用于网络卷积部分和全连接部分的特征/分类器方法。 此代码假定传递的模型支持这两种方法。 用法：python gradcam.py --image-path 与 CUDA 一起使用： python gradcam
Grad-CAM
最新发布
zx15600886035的博客
06-01 1136
在深度学习中，我们经常需要查看或修改模型中间层的输出或梯度。然而，标准的前向传播和反向传播过程通常是一个黑盒，我们很难直接访问中间层的信息。PyTorch 提供了一种强大的工具——hook 函数，它允许我们在不修改模型结构的情况下，获取或修改中间层的信息。它的核心价值在于让开发者能够动态监听、捕获甚至修改模型内部任意层的输入 / 输出或梯度，而无需修改模型的原始代码结构。
【深度学习常用算法】一、深度解析卷积神经网络（CNN）：从基础原理到PyTorch实战
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
05-18 928
摘要：本文系统阐述卷积神经网络（CNN）的核心原理、架构设计与实战应用。从卷积层、池化层的数学本质出发，解析参数共享、局部感知等关键机制如何提升特征提取效率。通过PyTorch实现MNIST手写数字分类、CIFAR-10图像识别等典型案例，涵盖数据预处理、模型构建、训练调优全流程。结合可视化工具分析特征图演化过程，揭示CNN从边缘检测到语义理解的逐层抽象规律。实验表明，优化后的CNN模型在CIFAR-10上可达到85%以上准确率，为计算机视觉任务提供完整的工程化解决方案。
python cnn 实例_Grad cam（CNN可视化）Python示例,GradCAMCNN
weixin_39711959的博客
12-08 595
论文：ICCV 2017《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》代码：https://github.com/yizt/Grad-CAM.pytorch/blob/master/main.pyhttps://github.com/jacobgil/pytorch-grad-cam...
Grad-CAM的PyTorch实现-Python开发
05-25
Pytorch中的Grad-CAM实现使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类将Grad-CAM与引导反向传播结合起来：Gra Grad -Pytorch中的-CAM实施使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类，将Grad-CAM与导向反向传播结合在一起：激活梯度类地图是用于深度学习网络的可视化技术。 参见论文：https://arxiv.org/pdf/1610.02391v1.pdf论文作者进行火炬实施：https://github.com/ramprs/grad-cam我的Keras实施：https://github.com/jacobgil / keras-grad-cam这
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
Grad-CAM (CNN可视化) Python示例
医疗影像检索
03-26 2280
论文：ICCV 2017《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》 代码：https://github.com/yizt/Grad-CAM.pytorch/blob/master/main.py https://github.com/jacobgil/py...
Deep Learning with python中Grad-CAM代码详解
qq_42773230的博客
02-28 3104
Deep Learning with python中Grad-CAM代码详解 #关于CAM与Grad-CAM原理性内容可参考``https://bindog.github.io/blog/2018/02/10/model-explanation/我觉得这篇文章写的非常仔细，也很好理解，在这里就不再啰嗦，直接上代码。 from keras.applications.vgg16 import VGG1...
【代码记录】GradCAM
码海畅游记录
12-07 1101
import torch import torch.nn as nn from torch import Tensor import torch.nn.functional as F class GradCAM: def __init__(self, model: nn.Module, conv_layer: str) -> None: self.submodule_dict = dict(model.named_modules()) if conv_lay
pytorch_grad_cam——pytorch下的模型特征(Class Activation Mapping, CAM)可视化库
a486259的博客
04-01 1万+
深度学习是一个"黑盒"系统。它通过“end-to-end”的方式来工作，中间过程是不可知的，通过中间特征可视化可以对模型的数据进行一定的解释。最早的特征可视化是通过在模型最后一个conv层的Global average pooling实现，并将分类层设置为单个全连接层。通过Global average pooling的值来确定各个feature map的权重，然后累加到一起实现可视化。后来有衍生出了一系列，基于特定class label反向传播获取梯度的可视化方法，Grad-CAM。更为详细的发展路线可以参
Grad-Cam实现流程(pytorch)_gradcam实现(1)
2401_85012504的博客
05-17 515
图片预处理函数# 图片预处理])return img1.之后读取图片会使用opencv读取，读取的颜色通道为BGR，为了适应模型，需要将颜色通道转回为RGB。2.由于更改通道后，数组变为不连续，所以需要使用将img转为连续数组，否则无法转为tensor。3.增加第一维的batch通道，使得图片能够输入网络定义获取梯度和特征图的函数# 定义获取梯度的函数# 定义获取特征图的函数定义计算grad-cam并显示的函数# 计算grad-cam并可视化。
《python深度学习》笔记（二十）：神经网络的解释方法之CAM、Grad-CAM、Grad-CAM++、LayerCAM
qq_59572329的博客
10-31 3664
GAP分类后概率最大的神经元的权重特征图梯度的全局平均来计算权重。
神经网络算法模型论述
04-19
之前的回答提到了CNN、RNN、GNN，但可以补充更多类型的网络，如径向基函数网络、脉冲耦合神经网络等，并讨论它们的算法优化，比如不同的优化器（Adam等）。 引用[3]指出神经网络的优缺点，比如参数多、解释性差、...
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

打赏作者

信小海

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