3． 基于梯度的方法3．1 顯著性圖正如我們?cè)谔箍说睦�子中所看到的，我們�(nèi)绾尾拍苤�道我們的模型關(guān)注哪個(gè)部分來(lái)獲得預(yù)測(cè)？為此，我們可以使用顯著性圖。使用顯著性圖的概念是非常直接的——我們計(jì)算輸出類(lèi)別相對(duì)于輸入圖像的梯度，這可以告訴我們輸出類(lèi)別值相對(duì)于輸入圖像像素的微小變化是如何變化的。梯度中的所有正值都告訴我們，對(duì)該像素的微小更改將增加輸出值，因此，將這些與圖像形狀相同的梯度可視化，應(yīng)該能提供一些直覺(jué)。直觀地，該方法突出了對(duì)輸出貢獻(xiàn)最大的顯著圖像區(qū)域。class＿idx ＝ 0indices ＝ np．where（val＿y［：， class＿idx］ ＝＝ 1．）［0］

＃ 從這里選取一些隨機(jī)輸入。idx ＝ indices［0］

＃ 讓sanity檢查選中的圖像。from matplotlib import pyplot as plt％matplotlib inlineplt．rcParams［＇figure．figsize＇］ ＝ （18， 6）

plt．imshow（val＿x［idx］［．．．， 0］）

from vis．visualization import visualize＿saliencyfrom vis．utils import utilsfrom keras import activations

＃ 按名稱(chēng)搜索圖層索引＃ 或者，我們可以將其指定為－1，因?yàn)樗鼘?duì)應(yīng)于最后一層。layer＿idx ＝ utils．find＿layer＿idx（model， ＇preds＇）

＃ 用線性層替換softmaxmodel．layers［layer＿idx］．a(chǎn)ctivation ＝ activations．linearmodel ＝ utils．a(chǎn)pply＿modifications（model）

grads ＝ visualize＿saliency（model， layer＿idx， filter＿indices＝class＿idx， seed＿input＝val＿x［idx］）＃ 可視化為熱圖。plt．imshow（grads， cmap＝＇jet＇）

＃ 線性層。for class＿idx in np．a(chǎn)range（10）：     indices ＝ np．where（val＿y［：， class＿idx］ ＝＝ 1．）［0］    idx ＝ indices［0］

   f， ax ＝ plt．subplots（1， 4）    ax［0］．imshow（val＿x［idx］［．．．， 0］）

   for i， modifier in enumerate（［None， ＇guided＇， ＇relu＇］）：        grads ＝ visualize＿saliency（model， layer＿idx， filter＿indices＝class＿idx，         seed＿input＝val＿x［idx］， backprop＿modifier＝modifier）        if modifier is None：            modifier ＝ ＇vanilla＇        ax［i＋1］．set＿title（modifier）         ax［i＋1］．imshow（grads， cmap＝＇jet＇）

3．2 基于梯度的類(lèi)激活圖類(lèi)激活圖是另一種在進(jìn)行預(yù)測(cè)時(shí)可視化模型所看到內(nèi)容的方法，使用倒數(shù)第二卷積層輸出，而不是使用相對(duì)于輸出的梯度，這樣做是為了利用存儲(chǔ)在倒數(shù)第二層的空間信息。from vis．visualization import visualize＿cam

＃ 線性層。for class＿idx in np．a(chǎn)range（10）：  indices ＝ np．where（val＿y［：， class＿idx］ ＝＝ 1．）［0］ idx ＝ indices［0］

f， ax ＝ plt．subplots（1， 4） ax［0］．imshow（val＿x［idx］［．．．， 0］）

for i， modifier in enumerate（［None， ＇guided＇， ＇relu＇］）：    grads ＝ visualize＿cam（model， layer＿idx， filter＿indices＝class＿idx，     seed＿input＝val＿x［idx］， backprop＿modifier＝modifier）     if modifier is None：        modifier ＝ ＇vanilla＇    ax［i＋1］．set＿title（modifier）     ax［i＋1］．imshow（grads， cmap＝＇jet＇）

結(jié)尾在本文中，我們介紹了如何可視化CNN模型，以及為什么要可視化，我們結(jié)合一個(gè)例子來(lái)實(shí)現(xiàn)它。參考鏈接：https：／／www．a(chǎn)nalyticsvidhya．com／blog／2018／03／essentials－of－deep－learning－visualizing－convolutional－neural－networks／

☆ END ☆