1、原理

首先简单提下CAM，CAM原理如下图所示，其实就是将某层的激活图按权重进行加权和。我们关注两点：1）激活图，即某层的特征图。2）权重对应每层的重要程度。实际上在我所知的各种变形CAM方法中，都是基于激活图和权重值的加权和原理，只不过不同方法获取权重值的方法不一样，grad-cam就是利用梯度来计算权重值。那么在CAM中权重值就是全连接层中对应类的weights。

而grad-cam的原理和cam差不多，只不过获取权重的方法不同。grad-cam从名字可以看出，它是通过梯度来获取权重的。

首先，在前向推理时，获取某层的特征层F和网络的预测值y(不进行softmax)，在这一步我们就得到了激活图（特征图）

然后如果网络的最大输出类为cat，则以cat类别的预测值$y_{cat}$作为loss，在该loss上进行反向传播，得到特征层F在类别cat上的梯度值G。

然后将G计算每个通道上的均值，作为对应特征图通道的权重值，然后对特征图进行加权和，再通过ReLU（舍弃负值，论文中认为负值可能是帮助判断其他类的像素）即可。（当然为了更好的可视化效果，还要进行一些可视化上的操作，不过都不属于grad-cam的任务了）

2、代码实现

# 现在假设你已经准备好训练好的模型和预处理输入了

grad_block = []	# 存放grad图
feaure_block = []	# 存放特征图

# 获取梯度的函数
def backward_hook(module, grad_in, grad_out):
    grad_block.append(grad_out[0].detach())

# 获取特征层的函数
def farward_hook(module, input, output):
    feaure_block.append(output)

# 已知原图、梯度、特征图，开始计算可视化图
def cam_show_img(img, feature_map, grads):
    cam = np.zeros(feature_map.shape[1:], dtype=np.float32)  # 二维，用于叠加
    grads = grads.reshape([grads.shape[0], -1])
    # 梯度图中，每个通道计算均值得到一个值，作为对应特征图通道的权重
    weights = np.mean(grads, axis=1)	
    for i, w in enumerate(weights):
        cam += w * feature_map[i, :, :]	# 特征图加权和
    cam = np.maximum(cam, 0)
    cam = cam / cam.max()
    cam = cv2.resize(cam, (W, H))

    # cam.dim=2 heatmap.dim=3
    heatmap = cv2.applyColorMap(np.uint8(255 * cam), cv2.COLORMAP_JET)	# 伪彩色
    cam_img = 0.3 * heatmap + 0.7 * img

    cv2.imwrite("cam.jpg", cam_img)


# layer_name=model.features[18][1]
model.features[18][1].register_forward_hook(farward_hook)
model.features[18][1].register_backward_hook(backward_hook)

# forward 
# 在前向推理时，会生成特征图和预测值
output = model(inp)
max_idx = np.argmax(output.cpu().data.numpy())
print("predict:{}".format(max_idx))

# backward
model.zero_grad()
# 取最大类别的值作为loss，这样计算的结果是模型对该类最感兴趣的cam图
class_loss = output[0, max_idx]	
class_loss.backward()	# 反向梯度，得到梯度图

# grads
grads_val = grad_block[0].cpu().data.numpy().squeeze()
fmap = feaure_block[0].cpu().data.numpy().squeeze()
# 我的模型中
# grads_cal.shape=[1280,2,2]
# fmap.shape=[1280,2,2]

raw_img = cv2.imread("../3.jpg")
# save cam
cam_show_img(raw_img, fmap, grads_val)

关于register_forward_hook的使用：热力图的关键：利用register_hook获取梯度，

关于