pytorch gradCAM 热力图 特征可视化 guid，权重的计算过程，github 地址，可视化地址

Pytorch版本cam图经过resnet50网络，直接可用的显示代码

https://github.com/utkuozbulak/pytorch-cnn-visualizations#smooth-grad pytorch 多种可视化的代码

https://www.jianshu.com/p/9d963a867860 vgg 代码没有问题
代码生成三张图cam.jpg对的
但resnet50 Guided Backpropagation gb.jpg 是纯黑色的不对
cam_gb.jpg 也不对

所以参考 这是resnet50
https://github.com/Caoliangjie/pytorch-gradcam-resnet50/blob/master/grad-cam.py，的代码，没有问题

注意

1、 代码中的权重weight,不是卷积的权重w, 例如conv1 对应的权重w是[64,3,7,7]， 这里权重对应的是该输入数据对应的梯度（这张图片的最后分类输出往前面求导，求到该输入层，，维度不变的求每片特征图的平均值

例如 conv1 feature [1, 64, 112, 112]
对应的分类梯度维度也是一样的的(1, 64, 112, 112)
对这个梯度求 hw维度的平均值，得到64个权重值，我的理解是，这个权重类似于y=ax1 + bx2…，函数求a,b的过程，a,b 通过求导得到，就是权重

而现在得到训练好的神经网络，也是最后输出类别，对应某个层的复杂函数，得到每个输入数值的权重而已

   对应代码 如下。

        ##关键求的谁的梯度 
        grads_val = self.extractor.get_gradients()[-1].cpu().data.numpy()
        target = features[-1]
        target = target.cpu().data.numpy()[0, :]
        weights = np.mean(grads_val, axis = (2, 3))[0, :]  
        #梯度和输入维度是对应的conv1 (1, 64, 112, 112)
        #target(特征的维度，上面是特征的每个值对应的梯度)[1, 64, 112, 112]
        ## 例如conv1 特征维度[1, 64, 112, 112]，对应的梯度维度也是(1, 64, 112, 112)
        ## 区分下，这里的weights ,不是卷积的权重w, conv1 对应的权重w是[64,3,7,7]，
        ##这里权重对应的是输入数据对应的梯度，然后求平均值，得到每片特征图的重要程度权重，和输入相乘再相加
        ##得到的就是 代表分类预测结果的各个特征综合
       

for module in self.model.named_modules():
	print module
输出如下，是一个元组，每一层的名字，和层的类型）
&&&&&&&&&&&&&&&
('layer2.0.conv1', Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False))
&&&&&&&&&&&&&&&
('layer2.0.bn1', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
&&&&&&&&&&&&&&&
('layer2.0.conv2', Conv2d(128, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False))
&&&&&&&&&&&&&&&
('layer2.0.bn2', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
&&&&&&&&&&&&&&&
('layer2.0.conv3', Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False))
&&&&&&&&&&&&&&&
('layer2.0.bn3', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
&&&&&&&&&&&&&&&
('layer2.0.relu', ReLU(inplace))
&&&&&&&&&&&&&&&
('layer2.0.downsample', Sequential(
  (0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
  (1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
))
&&&&&&&&&&&&&&&
('layer2.0.downsample.0', Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False))
&&&&&&&&&&&&&&&
('layer2.0.downsample.1', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
&&&&&&&&&&&&&&&
('layer2.1', Bottleneck(
  (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
  (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
  (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (relu): ReLU(inplace)
))

这个计算是论文中，根据作者公式得来的计算过程。建议看论文

论文地址：https://arxiv.org/pdf/1610.02391v1.pdf
中文翻译 https://www.jianshu.com/p/b2f7efe10ad8

Pytorch代码实现：https://github.com/Stephenfang51/Grad_CAM_Pytorch-1.01

https://github.com/utkuozbulak/pytorch-cnn-visualizations

Guided Backpropagation 简写gb 引导反向传播