当前位置：首页 > news >正文

Python Day42

news 2025/8/9 18:44:58

Task： Grad-CAM与Hook函数
1.回调函数
2.lambda函数
3.hook函数的模块钩子和张量钩子
4.Grad-CAM的示例

1. 回调函数

定义：回调函数是作为参数传入到其他函数中的函数，在特定事件发生时被调用。
特点：
- 便于扩展和自定义程序行为。
- 常用于训练过程中的监控、日志记录、模型保存等场景。

示例：

def callback_function():print("Epoch completed!")# 传递回调函数
trainer.train(callback=callback_function)

2. lambda函数

定义：匿名函数，也叫lambda表达式，用于快速定义简单函数。
语法：
```
lambda 参数: 表达式
```

示例：

square = lambda x: x ** 2
print(square(5))  # 输出25

用途：简洁地定义短小函数，常用于回调、数据处理等场景。

3. Hook函数的模块钩子和张量钩子

Hook函数的作用：用来“钩住”模型内部的中间变量或梯度，从而监控或修改它们。

模块钩子（Module Hooks）：

用途：挂载在模型的子模块（如卷积层、线性层）上，捕获或修改输出或梯度。

注册方法：

handle = layer.register_forward_hook(hook_fn)

例子：

def hook_fn(module, input, output):print(output.shape)handle = model.layer1[0].register_forward_hook(hook_fn)

移除钩子：
```
handle.remove()
```

张量钩子（Tensor Hooks）：
- 用途：挂载在特定的Tensor上，用于捕获梯度信息。
- 注册方法：
```
tensor.register_hook(hook_fn)
```
- 应用场景：常用于Grad-CAM中，捕获目标层的梯度信息。

4. Grad-CAM的示例

目标：通过反向传播得到特定类别的梯度，结合层的激活值，生成热力图，直观展现模型关注区域。
基本流程：
1. 前向传播，获取目标类别的输出。
2. 反向传播，计算目标类别对应的梯度。
3. 使用Hook捕获目标层的激活特征（前向输出）和梯度（反向传播梯度）。
4. 计算加权和（平均梯度作为权重）以生成热力图。
5. 叠加热力图到原始图像上。

代码示例（简化版）：

import torch
import torch.nn.functional as F
import torchvision.models as models
import cv2
import numpy as npmodel = models.resnet50(pretrained=True)
model.eval()# 定义目标层（例如最后的卷积层）
target_layer = model.layer4[-1]activations = None
gradients = None# 定义前向钩子
def forward_hook(module, input, output):global activationsactivations = output# 定义反向钩子
def backward_hook(module, grad_input, grad_output):global gradientsgradients = grad_output[0]# 注册钩子
handle_fw = target_layer.register_forward_hook(forward_hook)
handle_bw = target_layer.register_backward_hook(backward_hook)# 输入图片（预处理）
input_img = preprocess_image('path_to_image.jpg')# 前向传播
output = model(input_img)# 目标类别（例如类别索引）
class_idx = torch.argmax(output)
# 反向传播
model.zero_grad()
one_hot = torch.zeros_like(output)
one_hot[0][class_idx] = 1
output.backward(gradient=one_hot)# 获取权重
weights = torch.mean(gradients, dim=(2, 3), keepdim=True)
# 计算Grad-CAM
cam = torch.sum(weights * activations, dim=1).squeeze()# 后处理，绘制热力图
heatmap = cam.detach().cpu().numpy()
heatmap = np.maximum(heatmap, 0)
heatmap /= np.max(heatmap)# 叠加到原图
# ...# 移除钩子
handle_fw.remove()
handle_bw.remove()