python学习之卷积神经网络的可视化

最新推荐文章于 2025-06-19 16:23:39 发布

无落

最新推荐文章于 2025-06-19 16:23:39 发布

阅读量1.6k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： wuluo python3 文章标签： python 卷积神经网络

博客仅供学习使用，其它用途，请联系博主，转载请标明链接，

本文链接：https://blog.youkuaiyun.com/qq_43433255/article/details/94412867

本文介绍了如何使用Grad CAM技术可视化卷积神经网络（ConvNet）的决策过程，帮助理解图像的哪些区域影响了分类决策。通过生成类激活热图，可以定位输入图像中与特定类别相关的关键部分，适用于错误分类的调试和对象定位。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们将介绍另一种可视化技术，它有助于理解给定图像的哪些部分引导convnet做出最终的分类决策。这有助于“调试”convnet的决策过程，特别是在分类错误的情况下。它还允许您在图像中定位特定对象。
这类技术被称为“类激活图”（CAM）可视化，它包括在输入图像上生成“类激活”的热图。“类激活”heatmap是与特定输出类相关联的二维分数网格，针对任何输入图像中的每个位置进行计算，表明每个位置对所考虑的类有多重要。例如，假设一个图像输入到我们的“猫对狗”convnet中，类激活映射可视化允许我们为类“cat”生成一个heatmap，指示图像中猫的不同部分是怎样的，同样，对于类“dog”，指示图像中狗的不同部分是怎样的。
我们将使用的具体实现是Grad Cam中描述的：您为什么这么说？通过基于梯度的定位从深层网络进行可视化解释。它非常简单：它包括获取给定输入图像的卷积层的输出特征映射，并通过类相对于通道的梯度来加权该特征映射中的每个通道。直观地说，理解这个技巧的一种方法是，我们通过“每个通道对类的重要性”来加权“输入图像激活不同通道的强度”的空间图，从而得出“输入图像激活类的强度”的空间图。

from keras.applications.vgg16 import VGG16
K.clear_session()
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input, decode_predictions
import numpy as np
import cv2

#注意，我们在顶部包括了密接分类器；
#以前，我们一直在丢弃它。
model = VGG16(weights='imagenet')
'''
让我们将此图像转换为VGG16模型可以读取的内容：该模型是在224x244大小的图像上训练的，根据实用程