Keras 绘制CNN每层的类激活图（CAM）

最新推荐文章于 2026-05-10 16:53:59 发布

原创

最新推荐文章于 2026-05-10 16:53:59 发布 · 1.6k 阅读

标签

#深度学习 #计算机视觉 #机器学习 #python #tensorflow

收录于

本文介绍了如何利用CAM技术结合Keras来显示卷积神经网络中每层对于目标类别的注意力分布。CAM通过计算注意力层输出与目标类别神经元的梯度加权平均，揭示图像各部位对特定类别的重要性。

CAM获取到卷积层(注意力层)的输出和目标类别神经元相对于每一个通道的梯度，使用该梯度对每个通道进行加权处理，最后对通道求均值并归一化处理。CAM可以指示图像每个位置相对于所考虑的类的重要程度。
代码实现：

     引入依赖、模型定义省略
    ...
    
model = Model(inputs=inp, outputs=x)
model.load_weights('WDD_jing3_2_weights.hdf5')    ***#加载自己的模型文件，可以是weights***
   
image=cv2.imread('6.png')     ***#输入图像 ，本人输入的是一个小猫***
image_arr = cv2.resize(image, (224, 224))
image_arr = np.expand_dims(image_arr, axis=0)

preds = model.predict(image_arr)
# find the class index
index = np.argmax(preds[0])

target_output = model.output[:, index]

# last_conv_layer=model.get_layer('norm_l_1')
last_conv_layer=model.get_layer('max_pooling2d_5')    # ***这里是keras定义的层的名字，想看哪一层的输出，改为哪一层的名字***

# compute the gradient of the output feature map with this target class
grads = K.gradients(target_output, last_conv_layer.output)[0]

# mean the gradient over a specific feature map channel
pooled_grads = K.mean(grads, axis=(0, 1, 2))

# this function returns the output of last_conv_layer and grads
# given the