1、使用方法 【深入浅出PyTorch|热力图的关键(利用register_hook获取梯度)】完整文章见PyTorch中Hook的简单使用
def hook_fn(grad):
grad *= 2
return gradz.register_hook(hook_fn) # 注册一个钩子z.backward() # 计算z的梯度
上面的代码展示了如何获取或者修改z的梯度:
首先需要注册一个钩子,当代码运行到涉及z的梯度(比如backward)时,会想起这里的钩子,并执行传入的函数hook_fn,其参数grad就是z的梯度,你可以将这个梯度保存下来,也可以如代码中改变梯度(需要返回)。
2、热力图的关键:获取梯度
output,features = model(img) # features为模型中间某层的特征图def extract(g):
global features_grad
features_grad = gpred = np.argmax(output.numpy()) # 计算此次分类的最终结果类
pred_class = output[:, pred]features.register_hook(extract)# 给features特征层放置钩子
pred_class.backward() # 计算梯度,计算到features特征层时,触发钩子,执行extract,并将梯度赋值给全局变量features_grad,方便在函数外面获取数值grads = features_grad# 获取梯度
完整项目见Paddle可视化神经网络热力图(CAM)
推荐阅读
- 物体检测|3天AI进阶实战营——多目标跟踪
- paddle|动手从头实现LSTM
- paddlepaddle|paddlepaddle操作(一)
- 嵌入式电脑|Paddle Inference——基于python API在Jetson上部署PaddleSeg模型
- Paddle|在PaddlePaddle框架下通过两层全连接网络实现IRIS数据分类
- 阅读笔记|百度飞桨顶会论文复现营论文阅读——GAN方向
- #|paddle.reader.shuffle()中buf_size的作用
- #|paddle.batch()中batch_size的作用
- PaddlePaddle|问题(如何移植v2模型到fluid?)