pytorch中CNN特征图(feture map)、卷积核权重、卷积核最匹配样本、类别激活图(Class Activation Map/CAM)、网络结构的可视化方法

0，可视化的重要性：

深度学习很多方向所谓改进模型、改进网络都是在按照人的主观思想在改进，常常在说CNN的本质是提取特征，但并不知道它提取了什么特征、哪些区域对于识别真正起作用、也不知道网络是根据什么得出了分类结果。为了增强结果的可解释性，需要给出模型的一些可视化图来证明模型或新methods对于任务的作用，这一点不仅能增加新模型或新methods可信度；还可以根据可视化某个网络的结果分析其不足之处，从而提出新的改进方法。（写论文还可以用来凑字数、凑工作量:）

1，特征图(feture map)

• 概念
• 可视化方法
• 例子
• 参考

2，卷积核权重

• 概念
• 可视化方法
• 例子
• 参考

3，卷积核最匹配样本

• 概念
• 可视化方法
• 例子
• 参考

4，类别激活图(Class Activation Map/CAM)

• 概念
• 可视化方法
• 例子
• 参考

5，网络结构的可视化

• 概念
• 可视化方法
• 例子
• 参考

pytorch中CNN特征图(feture map)、卷积核权重、卷积核最匹配样本、类别激活图(Class Activation Map/CAM)、网络结构的可视化方法

原文：https://www.cnblogs.com/tensorzhang/p/15032425.html