GradCAM神经网络可视化解释（原理和实现）

GradCAM是经典的特征图可视化工具，在CV任务中，能用于分析CNN学到了什么东西。先看一张图：

这就是GradCAM做出的效果，它直观地表示出咱们模型认为图片是Dog的是依据哪些地方。
GradCAM借用梯度来进行注意力表示，发表于ICCV2017，如今依然活跃在学术和工程界。
论文链接：https://arxiv.org/abs/1610.02391

---

GradCAM原理

对于视觉任务，包括图像分类、目标检测等，通常都是backbone+head的形式。如图1所示。所以，GradCAM可以无差别地对各种视觉任务进行可视化。
在操作上，GradCAM拿到backbone的输出梯度，一般是4维张量，将这一层梯度进行平均化作为权重，然后跟这一层的输出张量做一个加权平均（先乘再加），然后过一层relu去掉负值，最后等比例投影在调整过的原图上。

我以图像分类为例进行剖析：（假设我们做5分类）
第一步，前向传播得到特征图。需要进行一次前向计算，得到backbone的特征图输出。
第二步，反向传播得到梯度。模型的输出为一个5-d的向量res，假设我们要看类别1的可视化，咱们就把res[1]当作loss进行反向传播。这么做的原理：咱们需要知道模型识别出类别1会认为哪些特征图是重要的，而梯度直接表达了参数要调整的方向，假设参数调整方向为正向，那么这些特征图就应该是重要的。所以，在这一层的对应位置的平均梯度可以表示该特征图的重要性，即权重。再结合第一步得到的特征图，进行加权平均就可以了~

咱们看一下代码：（来自https://github.com/leftthomas/GradCAM）

import cv2
import numpy as np
import torch
import torch.nn.functional as F
import torchvision.transforms as transforms
from torch.autograd import Variable


class GradCam:
    def __init__(self, model):
        self.model = model.eval()
        self.feature = None
        self.gradient = None

    def save_gradient(self, grad):
        self.gradient = grad

    def __call__(self, x):
        image_size = (x.size(-1), x.size(-2))
        datas = Variable(x)
        heat_maps = []
        for i in range(datas.size(0)):
            img = datas[i].data.cpu().numpy()
            img = img - np.min(img)
            if np.max(img) != 0:
                img = img / np.max(img)

            feature = datas[i].unsqueeze(0)
            for name, module in self.model.named_children():
                print(name)
                if name == 'classifier' or name == 'fc':
                    feature = feature.view(feature.size(0), -1)
                feature = module(feature)
                if name == 'features' or name == 'backbone':
                    feature.register_hook(self.save_gradient)  # get backbone gradients
                    self.feature = feature
            classes = torch.sigmoid(feature)
            print(torch.argmax(F.softmax(classes), dim=-1))
            one_hot, _ = classes.max(dim=-1)
            self.model.zero_grad()
            one_hot.backward()

            weight = self.gradient.mean(dim=-1, keepdim=True).mean(dim=-2, keepdim=True)
            mask = F.relu((weight * self.feature).sum(dim=1)).squeeze(0)
            mask = cv2.resize(mask.data.cpu().numpy(), image_size)
            mask = mask - np.min(mask)
            if np.max(mask) != 0:
                mask = mask / np.max(mask)
            heat_map = np.float32(cv2.applyColorMap(np.uint8(255 * mask), cv2.COLORMAP_JET))
            cam = heat_map + np.float32((np.uint8(img.transpose((1, 2, 0)) * 255)))
            cam = cam - np.min(cam)
            if np.max(cam) != 0:
                cam = cam / np.max(cam)
            heat_maps.append(transforms.ToTensor()(cv2.cvtColor(np.uint8(255 * cam), cv2.COLOR_BGR2RGB)))
        heat_maps = torch.stack(heat_maps)
        return heat_maps

代码中通过register_hook来获取backbone的梯度，想进一步了解hook的可戳《python中的register_hook》