如何使用grad-cam对ViT的输出进行可视化（附代码）

使用grad-cam对ViT的输出进行可视化

[TOC]

前言

Vision Transformer (ViT) 作为现在CV中的主流backbone，它可以在图像分类任务上达到与卷积神经网络 (CNN) 相媲美甚至超越的性能。ViT 的核心思想是将输入图像划分为多个小块，然后将每个小块作为一个 token 输入到 Transformer 的编码器中，最终得到一个全局的类别 token 作为分类结果。

ViT 的优势在于它可以更好地捕捉图像中的长距离依赖关系，而不需要使用复杂的卷积操作。然而，这也带来了一个挑战，那就是如何解释 ViT 的决策过程，以及它是如何关注图像中的不同区域的。为了解决这个问题，我们可以使用一种叫做 grad-cam 的技术，它可以根据 ViT 的输出和梯度，生成一张热力图，显示 ViT 在做出分类时最关注的图像区域。

原理

grad-cam对ViT的输出进行可视化的原理是利用 ViT 的最后一个注意力块的输出和梯度，计算出每个 token 对分类结果的贡献度，然后将这些贡献度映射回原始图像的空间位置，形成一张热力图。具体来说，grad-cam+ViT 的步骤如下：

给定一个输入图像和一个目标类别，将图像划分为 14x14 个小块，并将每个小块转换为一个 768 维的向量。在这些向量之前，还要加上一个特殊的类别 token ，用于表示全局的分类信息。这样就得到了一个 197x768 的矩阵，作为 ViT 的输入。
将 ViT 的输入通过 Transformer 的编码器，得到一个 197x768 的输出矩阵。其中第一个向量就是类别 token ，它包含了 ViT 对整个图像的理解。我们将这个向量通过一个线性层和一个 softmax 层，得到最终的分类概率。
计算类别 token 对目标类别的梯度，即 $\frac{\partial y_c}{\partial A}$ ，其中 $y_c$ 是目标类别的概率，$A$ 是 ViT 的输出矩阵。这个梯度表示了每个 token 对分类结果的重要性。
对每个 token 的梯度求平均值，得到一个 197 维的向量 $w$ ，其中 $w_i = \frac{1}{Z}\sum_k \frac{\partial y_c}{\partial A_{ik}}$ ，$Z$ 是梯度的维度，即 768 。这个向量 $w$ 可以看作是每个 token 的权重。
将 ViT 的输出矩阵和权重向量相乘，得到一个 197 维的向量 $s$ ，其中 $s_i = \sum_k w_k A_{ik}$ 。这个向量 $s$ 可以看作是每个 token 对分类结果的贡献度。
将贡献度向量 $s$ 除去第一个元素（类别 token ），并重塑为一个 14x14 的矩阵 $M$ ，其中 $M_{ij} = s_{(i-1) \times 14 + j + 1}$ 。这个矩阵 $M$ 可以看作是每个小块对分类结果的贡献度。
将贡献度矩阵 $M$ 进行归一化和上采样，得到一个与原始图像大小相同的矩阵 $H$ ，其中 $H_{ij} = \frac{M_{ij} - \min(M)}{\max(M) - \min(M)}$ 。这个矩阵 $H$ 就是我们要求的热力图，它显示了 ViT 在做出分类时最关注的图像区域。
将热力图 $H$ 和原始图像进行叠加，得到一张可视化的图像，可以直观地看到 ViT 的注意力分布。

使用代码

import argparse
import cv2
import numpy as np
import torch

from pytorch_grad_cam import GradCAM, \
                            ScoreCAM, \
                            GradCAMPlusPlus, \
                            AblationCAM, \
                            XGradCAM, \
                            EigenCAM, \
                            EigenGradCAM, \
                            LayerCAM, \
                            FullGrad

from pytorch_grad_cam import GuidedBackpropReLUModel
from pytorch_grad_cam.utils.image import show_cam_on_image, \
preprocess_image
from pytorch_grad_cam.ablation_layer import AblationLayerVit

# 加载预训练的 ViT 模型
model = torch.hub.load('facebookresearch/deit:main',
'deit_tiny_patch16_224', pretrained=True)
model.eval()

# 判断是否使用 GPU 加速
use_cuda = torch.cuda.is_available()
if use_cuda:
model = model.cuda()

接下来，我们需要定义一个函数来将 ViT 的输出层从三维张量转换为二维张量，以便 grad-cam 能够处理：

def reshape_transform(tensor, height=14, width=14):
    # 去掉类别标记
    result = tensor[:, 1:, :].reshape(tensor.size(0),
    height, width, tensor.size(2))

    # 将通道维度放到第一个位置
    result = result.transpose(2, 3).transpose(1, 2)
    return result

然后，我们需要选择一个目标层来计算 grad-cam。由于 ViT 的最后一层只有类别标记对预测类别有影响，所以我们不能选择最后一层。我们可以选择倒数第二层中的任意一个 Transformer 编码器作为目标层。在这里，我们选择第 11 层作为示例：


# 创建 GradCAM 对象
cam = GradCAM(model=model,
target_layer=model.blocks[5],
use_cuda=use_cuda,
reshape_transform=reshape_transform)

接下来，我们需要准备一张输入图像，并将其转换为适合 ViT 的格式：

# 读取输入图像
image_path = "cat.jpg"
rgb_img = cv2.imread(image_path, 1)[:, :, ::-1]
rgb_img = cv2.resize(rgb_img, (224, 224))

# 预处理图像
input_tensor = preprocess_image(rgb_img,
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])

# 将图像转换为批量形式
input_tensor = input_tensor.unsqueeze(0)
if use_cuda:
input_tensor = input_tensor.cuda()

最后，我们可以调用 cam 对象的 forward 方法，传入输入张量和预测类别（如果不指定，则默认为最高概率的类别），得到 grad-cam 的输出：

# 计算 grad-cam
target_category = None # 可以指定一个类别，或者使用 None 表示最高概率的类别
grayscale_cam = cam(input_tensor=input_tensor,
target_category=target_category)

# 将 grad-cam 的输出叠加到原始图像上
visualization = show_cam_on_image(rgb_img, grayscale_cam)

# 保存可视化结果
cv2.imwrite('cam.jpg', visualization)

这样，我们就完成了使用 grad-cam 对 ViT 的输出进行可视化的过程。我们可以看到，ViT 主要关注了图像中的猫的头部和身体区域，这与我们的直觉相符。通过使用 grad-cam，我们可以更好地理解 ViT 的工作原理，以及它对不同图像区域的重要性。

Pytorch-grad-cam库的更多方法

除了经典的grad-cam，库里目前支持的方法还有：

Method	What it does
GradCAM	使用平均梯度对 2D 激活进行加权
GradCAM++	类似 GradCAM，但使用了二阶梯度
XGradCAM	类似 GradCAM，但通过归一化的激活对梯度进行了加权
EigenCAM	使用 2D 激活的第一主成分（无法区分类别，但效果似乎不错）
EigenGradCAM	类似 EigenCAM，但支持类别区分，使用了激活 * 梯度的第一主成分，看起来和 GradCAM 差不多，但是更干净
LayerCAM	使用正梯度对激活进行空间加权，对于浅层有更好的效果