（一）实验记录：卷积神经网络可视化cam和grad-cam

一、CAM

以resnet18为例：

（1）取出通过layer4的feature激活值,[1,512,7,7]

（2）取出fc的权重（weight_softmax）,[1000,512]

（3）取出weight_softmax中预测为对应类别的权重，[1,512]

（4）权重和feature相乘得热力图cam，[1,512]*[512,49]=[1,49]

（5）再通过归一化，resize操作覆盖到原图上。

二、grad-CAM

cam和grad-cam都是为了得到一组权重和feature相乘。cam需要修改模型（添加全局平均池化层）重新训练，而grad-cam是通过反向传播时hook的梯度来计算权重。

以vgg19为例子：vgg19模型分为两大块，features，classifier。

（1）从feature模块取出feature激活值，即第35层后的，[1,512,14,14]

打印模型名：https://blog.csdn.net/m0_37192554/article/details/104003947

（2）通过整个模型输出中最大的那个值进行backward

（3）抓取第35层feature激活值的梯度，[1,512,14,14]

（4）通过抓取的梯度计算权重，和feature相乘，计算cam热力图。

（5）归一化后resize