分类任务使用Pytorch实现Grad-CAM绘制热力图_pytorch 热力图

最新推荐文章于 2025-09-02 20:47:52 发布

原创

最新推荐文章于 2025-09-02 20:47:52 发布 · 729 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#分类 #pytorch #数据挖掘

视频链接：使用Pytorch实现Grad-CAM并绘制热力图_哔哩哔哩_bilibili 外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传 https://www.bilibili.com/video/BV1e3411j7x7/?spm_id_from=333.788.recommend_more_video.0&vd_source=e43c081338520d48e907ed94f3d8f6c8

代码：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing

首先打开这个代码链接，找到pytorch_classification -> grad_cam这个文件夹，下载之后打开如下图：

我是将上述的代码中main.cnn.py这个文件单独在自己的模型文件夹中创立一个using_

最低0.47元/天解锁文章

新学期VIP享超值加赠

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

2401_89791606

关注关注

14
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

可视化学习笔记11-pytorch-GradCAM可视化自己的网络

LZL2020LZL的博客

09-01

5174

注意：代码中需要改的3个地方已经用注释标清，大家使用时注意修改。super(GradCAM, self) .__init__() # 获取模型的特征提取层 self.feature = nn.Sequential(OrderedDict({name: layer for name, layer in model.named_children() if name not in [ 'avgpool' , 'classifier' ] #改1：根据自己的网络模型架构调整。

关于CAM热力图报错：AttributeError: ‘tuple‘ object has no attribute ‘cpu‘

qq_37278761的博客

06-10

1万+

今天调用CAM生成热图时碰到了一个问题具体是这行代码报错（完整的heatmap代码最后放出来）：cam = GradCAM(model=Local_Branch_model, target_layer=target_layer, use_cuda=False)每次执行就报下面这个错误。修改第65行代码，发现传入的output变成了元组格式，因此获取其内容替换一下就行了，出现原因还不太清楚。下面放上自定义模型读取检查点，并生成热图的代码： # copy from https://github.com/

参与评论您还未登录，请先登录后发表或查看评论

Pytorch特征图heat map热力图

重剑无锋博客

09-07

3619

heat map可视化

PyTorch版本的3D网络Grad-CAM可视化实验记录

weixin_45671402的博客

11-12

1506

最近在跑代码的时候需要可视化一些网络中间层特征来诊断网络，但是我的backbone是一个3D网络，一般的Grad-CAM都是在2D网络中应用更广泛，查了一下也只有几篇博文是关于3D Grad-CAM的介绍的。自己参照他们的代码试了一下，但是可视化的结果很怪异。可以看到这个图的热区分布很奇怪，热区并不平滑，而且出现的位置都很诡异，比如大量的热区出现在边界区。不知道是自己使用的方法不对还是代码本身就有点问题…只能说求人不如求己，自己重新尝试用hook自己写一个Grad-CAM的代码。

分类任务使用Pytorch实现Grad-CAM绘制热力图

Linchpin_的博客

03-27

4269

给大家打个比方，下图是我输出模型结构的一小块，此时如果我设定target_layers=[model.patch_embed_a]，那它就相当于被我设置成一个元组，但这样是无法应用在这个代码上的，我们需要继续细化到某一层，比如改成target_layers=[model.patch_embed_a.norm]这样就可以成功绘制热力图。对于深度学习网络，在我们指定数据集类别的情况下，Grad-CAM能够绘制出相应的热力图，让我们能够非常直观的看出网络关注的主要区域与特征是什么。

使用Pytorch实现Grad-CAM并绘制热力图

weixin_42396719的博客

12-08

4154

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。

【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...

[PyTorch]即插即用的热力图生成

就随便写写....

10-17

6443

一段Pytorch快速生成热力图的代码

Pytorch可视化神经网络热力图(CAM)

热门推荐

Custom自定义

12-03

6万+

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使用Grad-CAM绘制热力图

weixin_44040169的博客

11-24

8265

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。

python pyheatmap包绘制热力图

12-23

利用python pyheatmap包绘制热力图，供大家参考，具体内容如下 import matplotlib.pyplot as plt from pyheatmap.heatmap import HeatMap def plot_data(filename): with open(filename,'r') as fh: data=fh.read().split('\n') xs = [] ys = [] data_test=[] for line in data: line=line.strip().split() if len(line)>3: opt,

pytorch-Grad-CAM-热度图制作掩膜-对原图进行剪裁

04-01

pytorch-Grad-CAM-热度图制作掩膜-对原图进行剪裁

pytorch CAM得到热力图

qq_23093643的博客

12-16

4121

pytorch CAM得到热力图用法根据网上的代码改成自己的模型的，并且改成了对整个文件夹的图片挨个生成直接复制代码就行了，不用去下载包修改main函数里的东西就行了，注释了下面这图是我自己的，看上去这个热力图跟我预想的网络重点不一样，专注背景去了的代码 # simple implementation of CAM in PyTorch for the networks such as ResNet, DenseNet, SqueezeNet, Inception import io impo

Pytorch使用Grad-CAM绘制ViT热力图

weixin_44040169的博客

11-25

6643

（2）反向梯度传播是从最后预测开始，逆着经过整个模型，而Dropout和MLP都是单个token做的，不能将最后y_c结果梯度传给所有token，只有在倒推回自注意力后才能将梯度返传给所有token。所以，去掉class_token序列，拿到所有组成原图的token，将它们reshape回原图的大小。图片划分patch，加上class_token，加上位置编码，传到transformer，分类预测。（1）在代码得到CAM图时，由于VIT最后得到的是patch的梯度，要reshape成二维图。

分类网络中的类激活热力图——Grad CAM

qxqsunshine的博客

11-12

3757

1、背景卷积神经网络是一种黑盒技术，通过理论推导，以及梯度传播，去不断逼近局部最优解。但神经网络究竟是怎么做出判断和决策的，需要不断地探究。近些年来有一些这方面的研究，类激活热力图（CAM）就是一个方面。热力图通常是用来对类别进行划分的图像，它有点像红外成像图，温度高的地方就很红，温度低的部分就呈现蓝色。同理，我们使用热力图可以以权重的形式来展现，神经网络对图片的哪一部分激活值最大。比如输入到猫狗分类，如果卷积神经网络判别是猫，那它的热力图普遍分散在猫身上，而至于它是根据猫的哪一部分来判别，就利用了

Grad-CAM（Gradient-weighted Class Activation Mapping）热力图（内含示例代码）

weixin_57111012的博客

12-03

2664

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。

Grad-CAM热力图：基本原理、代码实现及常见问题处理

录求学之迹，留影于凡庸之日，若有益于君，更胜琼瑶。

06-20

1103

本文探讨了深度神经网络可解释性中的热力图可视化技术，详细解析了Grad-CAM的实现原理，即通过反向传播获取目标类别的梯度信息，对特征图进行加权融合，最终生成可视化热力图。代码部分展示了如何提取中间层激活与梯度，通过梯度加权实现分类任务的热力图生成，最后提供了常见显示异常和非分类任务的可视化问题的解决方案

使用grad_cam生成自己的模型的热力图

A2321161581的博客

04-12

9113

使用grad_cam生成自己模型的热力图

类别激活热力图grad-cam(pytorch)实战跑图

rensweet的博客

03-09

2万+

核心代码位置： CAM\pytorch-grad-cam\pytorch-grad-cam\base_cam.py 顺序 1、base_cam.py 2、 model._modules.items() 遍历输出每一层 register_hook的作用：即对x求导时，对x的导数进行操作，并且register_hook的参数只能以函数的形式传过去。（保护求导中中间值作用，不然pytorch将直接保存最后结果，中间结果不保存）详细解释明日阅读 ...

深度学习之第五课卷积神经网络 (CNN)如何训练自己的数据集（食物分类）