GRADCAM-Tensorflow2-可视可解释AI Grad-CAM：深度网络通过基于梯度的本地化的视觉解释 安装Grad CAM： !pip install tf-explain src： : 论文：Grad-CAM：深度网络通过基于梯度的本地化的视觉解释 参考： : 摘要：我们提出了一种技术，该技术可为来自大量基于CNN的模型的决策产生“视觉解释”，从而使其更加透明。 我们的方法-梯度加权类激活映射（Grad-CAM），使用任何目标概念的梯度，流入最终的卷积层，以生成一个粗略的局部化地图，突出显示图像中用于预测该概念的重要区域。 Grad-CAM适用于各种CNN模型系列：（1）具有完全连接层的CNN，（2）用于结构化输出的CNN，（3）用于具有多模式输入或强化学习任务的CNN，无需任何架构变更或重新培训。 我们将Grad-CAM与细粒度的可视化相结合，以创建高分辨率的

Grad-CAM的Pytorch实现。Pytorch implementation of Grad-CAM

Swin-Transformer+gradcam可视化代码+Windows环境

gradcam-pytorch：在Pytorch中实现GradCAM算法

代码为Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization的复现，并有代码注释，以便读者理解学习。

凯拉斯·阿历克斯（Keras-Alexnet） 组件 alexnet.py在CIFAR-100数据集上构建，训练和测试模型 gradcam.py加载alexnet模型，对来自测试数据集的随机样本进行预测，产生引导式grad-cam可视化效果。 参考

用法： python grad-cam.py --image-path 要与CUDA一起使用： python grad-cam.py --image-path --use-cuda 上面的这些理解英语应该能够理解如何使用，我只是将原始的vgg19网络更改为imagenet预训练的resnet50，实际上，对于任何图片的处理仍然可以使用，但是我们在做视频是很麻烦的，因为网络具有更多的一维时间维度，这让我很头疼。 因此，尽管我已经改变了这件事，但我没有任何成就感。 我想供所有想使用resnet50网络测试凸轮图的人使用。 注意 上面的默认IMAGE_PATH已经是./examples 后续指示 经过两天的研究，我发现该凸轮是一个简单的功能，可以将功能组合到我们的原始图像中。 实际上，如果研究不是很详细，则不需要了解原理。 因为

代码为Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization的复现，采用resnet50预训练网络，较好的实验了预期效果。