深入浅出PyTorch|热力图的关键（利用register_hook获取梯度） paddle|paddlepaddle

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)