在CV很多方向所謂改進(jìn)模型，改進(jìn)網(wǎng)絡(luò)，都是在按照人的主觀思想在改進(jìn)，常常在說CNN的本質(zhì)是提取特征，但并不知道它提取了什么特征，哪些區(qū)域?qū)τ谧R別真正起作用，也不知道網(wǎng)絡(luò)是根據(jù)什么得出了分類結(jié)果。如在上次解讀的一篇論文《Feature Pyramid Transformer》(簡稱FPT）中，作者提出背景信息對于識別目標(biāo)有重要作用，因?yàn)殡娔X肯定是在桌上，而不是水里，大街上，背景中的鍵盤鼠標(biāo)的存在也能輔助區(qū)分電腦與電視機(jī)，因此作者提出要使用特征金字塔融合背景信息。從人的主觀判斷來看，這點(diǎn)非常合理。但對于神經(jīng)網(wǎng)絡(luò)來說，F(xiàn)PT真的有融合背景信息，而普通CNN網(wǎng)絡(luò)沒有融合背景信息？又或者說，一般而言，除了提出的新模型，還會加上主觀設(shè)計(jì)的各種tricks，確定最后是因?yàn)槿诤狭吮尘靶畔⒍忍岣吡?，還是說背景確實(shí)融合了，但實(shí)際上對精度沒有影響，而是各種tricks起了作用？這一切并不確定，因?yàn)椴⒉淮_定CNN到底學(xué)到了什么。

解決這個(gè)問題的辦法有很多，一個(gè)是想辦法看看CNN內(nèi)部學(xué)到了什么,一個(gè)是控制變量法。提到這個(gè)控制變量法，在某一篇論文中（我對不起我的讀者，論文累積量太大，忘記是哪一篇，只記得該論文的一些新穎之處），在設(shè)計(jì)了一個(gè)新的模型后，通過改變卷積層的某些通道，來看最后模型的精度的變化，從而確定哪些通道對這個(gè)模型是真正起作用的，而哪些是冗余的。按照這個(gè)思路，我們或許可以在數(shù)據(jù)預(yù)處理時(shí)，故意裁剪掉人主觀認(rèn)為有用的背景信息，例如裁剪輔助識別電腦的桌子，鍵盤鼠標(biāo)，重新訓(xùn)練FPT，從而看最終精度有沒有影響。很明顯，這種方法理論上是可行的，但實(shí)際上工作量巨大，不現(xiàn)實(shí)。而CNN可視化是值得考慮的方法。

除了上面提到的一點(diǎn)，CNN可視化的作用還有哪些？

在少數(shù)提出新模型或新methods的論文中，往往會給出這個(gè)模型的一些可視化圖來證明這個(gè)模型或這個(gè)新methods對于任務(wù)的作用，這一點(diǎn)不僅能增加新模型或新methods可信度，也能起到增加工作量，增加論文字?jǐn)?shù)的作用，如研究者想到一個(gè)method，一兩頁就介紹加推理加證明完了，效果明顯，但作為一篇論文卻字?jǐn)?shù)太少，工作量不夠多，就可以考慮可視化使用了這個(gè)methods的網(wǎng)絡(luò)與沒有使用這個(gè)methods的網(wǎng)絡(luò)，進(jìn)行對比，分析分析，就可以變成一篇完整的論文了。此外，CNN可視化還有一個(gè)作用，根據(jù)可視化某個(gè)網(wǎng)絡(luò)的結(jié)果分析其不足之處，從而提出新的改進(jìn)方法。例如：ZFNet正是對AlexNet進(jìn)行可視化后改進(jìn)而來，獲得了ILSVRC2014的冠軍。

CNN可視化方法

一、特征圖可視化。特征圖可視化有兩類方法，一類是直接將某一層的feature map映射到0-255的范圍，變成圖像。另一類是使用一個(gè)反卷積網(wǎng)絡(luò)（反卷積、反池化）將feature map變成圖像，從而達(dá)到可視化feature map的目的。

二、卷積核可視化。

三、類激活可視化。這個(gè)主要用于確定圖像哪些區(qū)域?qū)ψR別某個(gè)類起主要作用。如常見的熱力圖（Heat Map），在識別貓時(shí)，熱力圖可直觀看出圖像中每個(gè)區(qū)域?qū)ψR別貓的作用大小。這個(gè)目前主要用的方法有CAM系列（CAM、Grad-CAM、Grad-CAM++）。

四、一些技術(shù)工具。通過一些研究人員開源出來的工具可視化CNN模型某一層。

CNN技術(shù)總結(jié)將按照這四個(gè)方法，分成四個(gè)部分總結(jié)CNN可視化技術(shù)。對于以后出現(xiàn)新的技術(shù)，或者補(bǔ)充，將更新在公眾號CV技術(shù)指南的技術(shù)總結(jié)部分。在本文，主要介紹第一類方法，特征圖可視化。

直接可視化

單通道特征圖可視化，由于feature map并不是在0-255范圍，因此需要將其進(jìn)行歸一化。以pytorch為例，使用torchvision.utils.make_grid()函數(shù)實(shí)現(xiàn)歸一化

def make_grid(tensor, nrow=8, padding=2,              normalize=True, range=None, ??????????????scale_each=False,pad_value=0):

多通道特征圖的顯示，即對某一層所有通道上的特征圖融合顯示，在使用make_grid函數(shù)后，pytorch環(huán)境下可使用tensorboardX下的SummerWriterh中的add_image函數(shù)。

本部分內(nèi)容參考鏈接：https://zhuanlan.zhihu.com/p/60753993

反卷積網(wǎng)絡(luò)( deconvnet )

feature map可視化的另一種方式是通過反卷積網(wǎng)絡(luò)從feature map變成圖像。反卷積網(wǎng)絡(luò)在論文《Visualizing and Understanding Convolutional Networks》中提出，論文中提出圖像像素經(jīng)過神經(jīng)網(wǎng)絡(luò)映射到特征空間，而反卷積網(wǎng)絡(luò)可以將feature map映射回像素空間。

如下圖所示，反卷積網(wǎng)絡(luò)的用途是對一個(gè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中任意一層feature map經(jīng)過反卷積網(wǎng)絡(luò)后重構(gòu)出像素空間，主要操作是反池化unpooling、修正rectify、濾波filter，換句話說就是反池化，反激活，反卷積。

由于不可能獲取標(biāo)簽數(shù)據(jù)，因此反卷積網(wǎng)絡(luò)是一個(gè)無監(jiān)督的，不具備學(xué)習(xí)能力的，就像一個(gè)訓(xùn)練好的網(wǎng)絡(luò)的檢測器，或者說是一個(gè)復(fù)雜的映射函數(shù)。

反池化Unpooling

在上一篇文章《池化技術(shù)總結(jié)》中提到最大池化會記錄最大值的坐標(biāo)，在上圖中就是switches,而反池化就只需要將最大值放到原位置，而其他位置的值并不知道，直接置零。如下圖所示。

修正Rectification

CNN使用ReLU確保feature map上的值都是正的，因此在反卷積中也使用ReLU。這里所謂Rectification其實(shí)就是讓unpooling后的值都是正的，換句話說就是使用ReLU。

Filtering

Filtering指的是反卷積，具體操作就是使用原網(wǎng)絡(luò)的卷積核的轉(zhuǎn)置作為卷積核，對Rectification后的輸出進(jìn)行卷積。

注：在以上重構(gòu)過程中沒有使用對比歸一化操作。

反卷積網(wǎng)絡(luò)特征可視化結(jié)果

導(dǎo)向反向傳播

在論文《Striving for Simplicity：The All Convolutional Net》中提出使用導(dǎo)向反向傳播（Guided-backpropagation），導(dǎo)向反向傳播與反卷積網(wǎng)絡(luò)的區(qū)別在于對ReLU的處理方式。在反卷積網(wǎng)絡(luò)中使用ReLU處理梯度，只回傳梯度大于0的位置，而在普通反向傳播中只回傳feature map中大于0的位置，在導(dǎo)向反向傳播中結(jié)合這兩者，只回傳輸入和梯度都大于0的位置，這相當(dāng)于在普通反向傳播的基礎(chǔ)上增加了來自更高層的額外的指導(dǎo)信號，這阻止了負(fù)梯度的反傳流動，梯度小于0的神經(jīng)元降低了正對應(yīng)更高層單元中我們想要可視化的區(qū)域的激活值。

使用導(dǎo)向反向傳播與反卷積網(wǎng)絡(luò)的效果對比

明顯使用導(dǎo)向反向傳播比反卷積網(wǎng)絡(luò)效果更好。

總結(jié)：分析反卷積網(wǎng)絡(luò)的對各層feature map可視化的結(jié)果可知，CNN中會學(xué)到圖像中的一些主要特征，如狗頭，鼻子眼睛,紋理，輪廓等內(nèi)容。但對特征圖可視化有個(gè)明顯的不足，即無法可視化圖像中哪些區(qū)域?qū)ψR別具體某個(gè)類別的作用，這個(gè)主要是使用CAM系列的方法，下文將進(jìn)行講解。

二、卷積核可視化

上面我們介紹了特征圖可視化方法，對于特征圖可視化的方法（或者說原理）比較容易理解，即把feature map從特征空間通過反卷積網(wǎng)絡(luò)映射回像素空間。

那卷積核怎樣可視化呢，基于什么原理來可視化？卷積核的尺寸一般只有3x3, 5x5大小，如何可視化？下面將介紹這個(gè)兩個(gè)內(nèi)容。

卷積核可視化的原理

卷積核，在網(wǎng)絡(luò)中起到將圖像從像素空間映射到特征空間的作用，可認(rèn)為是一個(gè)映射函數(shù)，像素空間中的值經(jīng)過卷積核后得到響應(yīng)值，在特征提取網(wǎng)絡(luò)中，基本都是使用最大池化來選擇最大響應(yīng)值進(jìn)入下一層繼續(xù)卷積，其余響應(yīng)值低的都進(jìn)入待定。也就是說，我們認(rèn)定只有響應(yīng)值大的才會對最終的識別任務(wù)起作用。

根據(jù)這個(gè)思路，給定一個(gè)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，現(xiàn)在想要可視化某一層的某一個(gè)卷積核，我們隨機(jī)初始化生成一張圖（指的是對像素值隨機(jī)取值，不是數(shù)據(jù)集中隨機(jī)選一張圖），然后經(jīng)過前向傳播到該層，我們希望這個(gè)隨機(jī)生成的圖在經(jīng)過這一層卷積核時(shí)，它的響應(yīng)值能盡可能的大，換句話說，響應(yīng)值比較大的圖像是這個(gè)卷積核比較認(rèn)可的，是與識別任務(wù)更相關(guān)的。然后不斷調(diào)整圖像像素值，直到響應(yīng)值足夠大，我們就可以認(rèn)為此時(shí)的圖像就是這個(gè)卷積核所認(rèn)可的，從而達(dá)到可視化該卷積核的目的。

理解了它的原理后，它的實(shí)現(xiàn)方法就比較簡單了，設(shè)計(jì)一個(gè)損失函數(shù)，即以經(jīng)過該層卷積核后的響應(yīng)值為目標(biāo)函數(shù)，使用梯度上升，更新像素值，使響應(yīng)值最大。

實(shí)現(xiàn)代碼

Setup

import numpy as npimport tensorflow as tffrom tensorflow import keras# The dimensions of our input imageimg_width = 180img_height = 180# Our target layer: we will visualize the filters from this layer.# See `model.summary()` for list of layer names, if you want to change this.layer_name = "conv3_block4_out"
Build a feature extraction model

# Build a ResNet50V2 model loaded with pre-trained ImageNet weightsmodel = keras.applications.ResNet50V2(weights="imagenet", include_top=False)# Set up a model that returns the activation values for our target layerlayer = model.get_layer(name=layer_name)feature_extractor = keras.Model(inputs=model.inputs, outputs=layer.output)
Set up the gradient ascent process

loss函數(shù)取最大化指定卷積核的響應(yīng)值的平均值，為了避免邊界的影響，邊界的響應(yīng)值不計(jì)。

def compute_loss(input_image, filter_index):    activation = feature_extractor(input_image)    # We avoid border artifacts by only involving non-border pixels in the loss.    filter_activation = activation[:, 2:-2, 2:-2, filter_index]    return tf.reduce_mean(filter_activation)@tf.functiondef gradient_ascent_step(img, filter_index, learning_rate):    with tf.GradientTape() as tape:        tape.watch(img)        loss = compute_loss(img, filter_index)    # Compute gradients.    grads = tape.gradient(loss, img)    # Normalize gradients.    grads = tf.math.l2_normalize(grads)    img += learning_rate * grads    return loss, img
Set up the end-to-end filter visualization loop

def initialize_image():    # We start from a gray image with some random noise    img = tf.random.uniform((1, img_width, img_height, 3))    # ResNet50V2 expects inputs in the range [-1, +1].    # Here we scale our random inputs to [-0.125, +0.125]    return (img - 0.5) * 0.25
def visualize_filter(filter_index):    # We run gradient ascent for 20 steps    iterations = 30    learning_rate = 10.0    img = initialize_image()    for iteration in range(iterations):        loss, img = gradient_ascent_step(img, filter_index, learning_rate)
    # Decode the resulting input image    img = deprocess_image(img[0].numpy())    return loss, img
def deprocess_image(img):    # Normalize array: center on 0., ensure variance is 0.15    img -= img.mean()    img /= img.std() + 1e-5    img *= 0.15
    # Center crop    img = img[25:-25, 25:-25, :]
    # Clip to [0, 1]    img += 0.5    img = np.clip(img, 0, 1)
    # Convert to RGB array    img *= 255    img = np.clip(img, 0, 255).astype("uint8")????return?img

可視化vgg16卷積核

總結(jié)：本部分內(nèi)容介紹了一種可視化卷積核的方法，即通過生成指定卷積核響應(yīng)值盡可能大的圖像來達(dá)到可視化卷積核的目的，使用的方法是梯度上升。

在不少論文的末尾都有可視化卷積核來分析提出的模型，該方法值得了解。

三、類可視化

前面我們介紹了兩種可視化方法，特征圖可視化和卷積核可視化，這兩種方法在論文中都比較常見，這兩種更多的是用于分析模型在某一層學(xué)習(xí)到的東西。在理解這兩種可視化方法，很容易理解圖像是如何經(jīng)過神經(jīng)網(wǎng)絡(luò)后得到識別分類。

然而，上次我在知乎看到一個(gè)通過yolov3做跌倒檢測，希望加上人臉識別進(jìn)行多任務(wù)學(xué)習(xí)從而提高準(zhǔn)確率的提問。這明顯提問者并不理解神經(jīng)網(wǎng)絡(luò)是如何對這種帶有時(shí)間維度的視頻進(jìn)行分析從而實(shí)現(xiàn)行為識別，從本質(zhì)上來講，這其實(shí)是不理解神經(jīng)網(wǎng)絡(luò)具體是如何識別一個(gè)類的。因此，當(dāng)在這一點(diǎn)上理解錯(cuò)誤后，所進(jìn)行的模型選擇、方案設(shè)計(jì)和改進(jìn)，就都是不合理的。

（我在知乎上回答了這個(gè)問題正確的跌倒檢測思路應(yīng)該是什么，感興趣的可以去看看）

因此，在下面的文字中，我們將介紹一種對于不同的類，如何知道模型根據(jù)哪些信息來識別的方法，即對類進(jìn)行可視化，通俗一點(diǎn)來說就是熱力圖。這個(gè)方法主要是CAM系列，目前有CAM, Grad-CAM, Grad-CAM++。

CAM（Class Activation Map）

如上圖所示，CAM的結(jié)構(gòu)由CNN特征提取網(wǎng)絡(luò)，全局平均池化GAP，全連接層和Softmax組成。

實(shí)現(xiàn)原理：一張圖片在經(jīng)過CNN特征提取網(wǎng)絡(luò)后得到feature maps, 再對每一個(gè)feature map進(jìn)行全局平均池化，變成一維向量，再經(jīng)過全連接層與softmax得到類的概率。

假定在GAP前是n個(gè)通道，則經(jīng)過GAP后得到的是一個(gè)長度為1x n的向量，假定類別數(shù)為m，則全連接層的權(quán)值為一個(gè)n x m的張量。（注：這里先忽視batch-size）

對于某一個(gè)類別C, 現(xiàn)在想要可視化這個(gè)模型對于識別類別C，原圖像的哪些區(qū)域起主要作用，換句話說模型是根據(jù)哪些信息得到該圖像就是類別C。

做法是取出全連接層中得到類別C的概率的那一維權(quán)值，用W表示，即上圖的下半部分。然后對GAP前的feature map進(jìn)行加權(quán)求和，由于此時(shí)feature map不是原圖像大小，在加權(quán)求和后還需要進(jìn)行上采樣，即可得到Class Activation Map。

用公式表示如下：（k表示通道，c表示類別，fk(x,y)表示feature map）

效果圖：

CAM的分析

CAM有個(gè)很致命的缺陷，它的結(jié)構(gòu)是由CNN + GAP + FC + Softmax組成，也就是說如果想要可視化某個(gè)現(xiàn)有的模型，但大部分現(xiàn)有的模型沒有GAP這個(gè)操作，此時(shí)想要可視化便需要修改原模型結(jié)構(gòu)，并重新訓(xùn)練，相當(dāng)麻煩，且如果模型很大，在修改后重新訓(xùn)練不一定能達(dá)到原效果，可視化也就沒有意義了。

因此，針對這個(gè)缺陷，其后續(xù)有了改進(jìn)版Grad-CAM。

Grad-CAM

Grad-CAM的最大特點(diǎn)就是不再需要修改現(xiàn)有的模型結(jié)構(gòu)了，也不需要重新訓(xùn)練了，直接在原模型上即可可視化。

原理：同樣是處理CNN特征提取網(wǎng)絡(luò)的最后一層feature maps。Grad-CAM對于想要可視化的類別C，使最后輸出的類別C的概率值通過反向傳播到最后一層feature maps，得到類別C對該feature maps的每個(gè)像素的梯度值，對每個(gè)像素的梯度值取全局平均池化，即可得到對feature maps的加權(quán)系數(shù)alpha，論文中提到這樣獲取的加權(quán)系數(shù)跟CAM中的系數(shù)幾乎是等價(jià)的。接下來對特征圖加權(quán)求和，使用ReLU進(jìn)行修正，再進(jìn)行上采樣。

使用ReLU的原因是對于那些負(fù)值，可認(rèn)為與識別類別C無關(guān)，這些負(fù)值可能是與其他類別有關(guān)，而正值才是對識別C有正面影響的。

用公式表示如下：

Grad-CAM的結(jié)構(gòu)圖如上圖所示，對于Guided Backpropagation不了解的讀者，可看CNN可視化技術(shù)總結(jié)的第一篇文章。

效果圖如下：

Grad-CAM后續(xù)還有改進(jìn)版Grad-CAM++，其主要的改進(jìn)效果是定位更準(zhǔn)確，更適合同類多目標(biāo)的情況，所謂同類多目標(biāo)是指一張圖像中對于某個(gè)類出現(xiàn)多個(gè)目標(biāo)，例如七八個(gè)人。

改進(jìn)方法是對加權(quán)系數(shù)的獲取提出新的方法，該方法復(fù)雜到不忍直視。因此這里就不介紹了，感興趣的讀者可以閱讀該論文：

CAM:?arxiv.org/pdf/1512.0415

Grad-CAM:?arxiv.org/pdf/1610.0239

Grad-CAM++:?arxiv.org/pdf/1710.1106

前面介紹了可視化的三種方法--特征圖可視化，卷積核可視化，類可視化，這三種方法在很多提出新模型或新方法的論文中很常見，其主要作用是提高模型或者新方法的可信度，或者用來增加工作量，或者用來湊字?jǐn)?shù)，還有一些作用是幫助理解模型針對某個(gè)具體任務(wù)是如何學(xué)習(xí)，學(xué)到了哪些信息，哪些區(qū)域?qū)τ谧R別有影響等。

本文將介紹一些可視化的項(xiàng)目，主要有CNN解釋器，特征圖、卷積核、類可視化的一些代碼和項(xiàng)目，結(jié)構(gòu)可視化工具，網(wǎng)絡(luò)結(jié)構(gòu)手動畫圖工具。

1. CNN-Explainer

這是一個(gè)中國博士發(fā)布的名叫CNN解釋器的在線交互可視化工具。主要對于那些初學(xué)深度學(xué)習(xí)的小白們 理解關(guān)于神經(jīng)網(wǎng)絡(luò)是如何工作很有幫助，如卷積過程，ReLU過程，平均池化過程，中間每一層的特征圖的樣子，都可以看到，相當(dāng)于給了一個(gè)顯微鏡，可以隨意對任意一層，任何一項(xiàng)操作的前后變化，觀察得清清楚楚。

顯示卷積的過程中前后特征圖的變化，中間的操作。

CNN是如何輸出預(yù)測的

還可以在線上傳圖片，看到一張圖片在經(jīng)過每一層的卷積，池化，激活后的變化，最后輸出預(yù)測結(jié)果。

項(xiàng)目鏈接：

https://github.com/poloclub/cnn-explainer

2. 一些可視化特征圖、卷積核、熱力圖的代碼。

可視化特征圖

https://github.com/waallf/Viusal-feature-map

可視化卷積核

https://keras.io/examples/vision/visualizing_what_convnets_learn/

https://blog.keras.io/how-convolutional-neural-networks-see-the-world.html

Grad-CAM

https://github.com/ramprs/grad-cam

熱力圖

https://github.com/heuritech/convnets-keras

下面這個(gè)項(xiàng)目是同時(shí)包含特征圖可視化，卷積核可視化和熱力圖的一個(gè)鏈接：

https://github.com/raghakot/keras-vis

3. 結(jié)構(gòu)可視化工具

Netscope

用于可視化模型結(jié)構(gòu)的在線工具，僅支持caffe的prototxt文件可視化。需要自己寫prototxt格式的文件。

此圖來源于網(wǎng)絡(luò)，侵刪

項(xiàng)目地址：

https://github.com/ethereon/netscope

ConvNetDraw

這個(gè)工具用兩個(gè)圖可直接說明，第一個(gè)是輸入，第二個(gè)是輸出

這兩個(gè)圖來源于網(wǎng)絡(luò)，侵刪

項(xiàng)目地址：

https://github.com/cbovar/ConvNetDraw

PlotNeuralNet

這個(gè)稍微麻煩一點(diǎn)點(diǎn)，效果圖如下：

項(xiàng)目地址：

https://github.com/HarisIqbal88/PlotNeuralNet

4. 網(wǎng)絡(luò)結(jié)構(gòu)手動畫圖工具

很多新手會問的一個(gè)問題，論文中那些網(wǎng)絡(luò)結(jié)構(gòu)圖是如何畫的。

這里解答一下，我所了解的主要是用PPT, VISIO。當(dāng)然也可以使用上面那幾個(gè)。

再補(bǔ)充一個(gè)在線工具，NN-SVG

項(xiàng)目地址：http://alexlenail.me/NN-SVG/

這四篇文章基本介紹完了目前CNN可視化的一些方法，即特征圖可視化，卷積核可視化和類可視化，總結(jié)了一些可視化工具與項(xiàng)目，當(dāng)然不免也有個(gè)別遺漏的，日后若有一些比較重大突破的一些可視化工具出來，將繼續(xù)補(bǔ)充。

對于可視化，其實(shí)還包括訓(xùn)練過程的可視化，如Loss值，精度等實(shí)時(shí)更新，這個(gè)比較簡單，就不在這個(gè)總結(jié)系列里說明了。

代碼與可視化圖的參考鏈接：

https://keras.io/examples/vision/visualizing_what_convnets_learn/

https://blog.keras.io/how-convolutional-neural-networks-see-the-world.html

參考論文：

1.《Visualizing and Understanding Convolutional Networks》

2.《Striving for Simplicity：The All Convolutional Net》

3. Learning Deep Features for Discriminative Localization

4.Grad-CAM: Why did you say that?Visual Explanations from Deep Networks via Gradient-based Localization

5.Grad-cam++: Generalized gradient-based visual explanations for deep convolutional networks