当你在调试一个图像分类模型时它告诉你图片里是一只“熊猫”但你看着那张混杂着黑白团块和绿色背景的图片心里难免会犯嘀咕模型到底“看”到了什么是熊猫的黑眼圈还是旁边不小心入镜的竹子这种“黑箱”带来的不信任感是深度学习尤其是计算机视觉领域长期以来的核心痛点。Class Activation MappingCAM类激活映射技术的出现就像给这个黑箱装上了一扇“可视化的窗户”。它不再满足于模型给出一个冷冰冰的标签和概率而是试图生成一张热力图直观地告诉你“看模型主要是根据图片中这些亮起的区域来判断它是熊猫的。” 这不仅仅是满足好奇心在医疗影像诊断、自动驾驶感知验证、工业质检等对决策可解释性要求极高的领域CAM及其衍生方法已成为不可或缺的一环。然而如果你认为CAM只是一套固定的代码工具那就低估了它的演进速度。从CNN时代经典的Grad-CAM到Transformer架构下催生的Attention Rollout、Transformer Attribution再到如今Foundation Model基础模型时代面临的崭新挑战可视化解释技术本身已经形成了一条清晰的技术发展脉络。理解这条脉络不仅能帮你更好地使用现有工具更能让你洞察到不同模型架构的“注意力”机制本质有何不同从而在设计模型、选择方案甚至进行模型调试时做出更明智的决策。本文将以CAM方法为核心带你进行一次贯穿CNN、Transformer和Foundation Model三个时代的“可视化解释技术演进史”深度回顾。我们将避开枯燥的公式堆砌聚焦于回答几个关键问题为什么需要它不同时代的核心方法是如何工作的用代码和示意图说话在实际项目中如何选择和应用以及面对强大的基础模型现有的解释方法遇到了哪些新挑战无论你是希望为自己的CV项目增加可解释性模块的工程师还是希望深入理解模型内部机理的研究者这篇文章都将提供从理论到实践的完整路线图。1. 可解释性视觉从“黑箱”到“热力图”的必然需求在深入技术细节之前我们首先要破除一个误区可解释性Explainability并不是一个“锦上添花”的附加功能而是许多AI系统得以落地应用的前提条件。设想以下几个场景医疗辅助诊断一个AI系统指出CT影像中有疑似肿瘤区域。医生敢直接采信吗他必须知道模型是基于真实的病灶特征还是图像伪影或无关组织做出的判断。一张指向明确的热力图是建立人机信任的桥梁。自动驾驶车辆突然刹车系统日志显示是因为检测到了“行人”。但回传画面中行人并不明显。是模型误检了阴影还是真的有一个被部分遮挡的行人可视化的注意力区域可以帮助工程师快速定位感知模块的问题根源。内容审核一个图像分类模型将某张社交图片标记为“违规”。审核人员需要知道具体是图片中的哪个元素如文字、符号、特定物体触发了规则以便复核或优化模型。在这些场景中仅仅一个分类标签和置信度是远远不够的。决策的依据和过程同样重要。这就是可解释性计算机视觉的核心任务让模型的决策过程对人类而言是透明、可理解的。Class Activation MappingCAM是达成这一目标最直观、影响最深远的技术路径之一。它的核心思想可以概括为将模型最终输出层对应某个类别的权重反向映射回输入图像的原始空间生成一张与输入图像同尺寸的热力图Heatmap图中高亮通常为红色/黄色的区域即被认为是模型做出该分类决策所依赖的关键区域。这种方法之所以强大是因为它提供了一种与模型架构部分解耦的通用思路。无论底层是CNN、Transformer还是其他结构只要我们能获取到最终分类层与中间特征图之间的关联权重就能尝试生成某种形式的热力图解释。接下来我们将看到这一思想是如何在不同模型架构时代被具体实现和演进的。2. CAM的核心思想与CNN时代的奠基之作要理解后续的所有变体必须从最经典的、为CNN设计的CAM方法开始。2.1 经典CAM全局平均池化GAP的副产品2016年提出的原始CAM方法其诞生与一种特殊的网络结构紧密相关——即在卷积神经网络末尾使用全局平均池化层Global Average Pooling, GAP。工作原理通俗解释想象一个CNN它的最后几层是这样的一系列卷积层输出多个“特征图”每个图像可以理解为提取了某种特定纹理、形状或部件然后这些特征图不是被拉平送入全连接层而是先经过一个GAP层。GAP层对每个特征图进行“平均”将其压缩成一个单一的数值。这个数值代表了该特征在整个图像上的平均响应强度。这些数值每个特征图一个随后被送入一个全连接层即分类层与不同的类别权重相结合计算出最终的类别分数。CAM的精妙之处在于最终某个类别的得分可以看作是所有特征图经过GAP后的值与分类层中该类对应权重的加权和。既然每个特征图都能通过GAP得到一个全局权重那么我们就可以把这个权重“分配”回原始特征图上的每一个空间位置实际上就是不做平均直接按权重缩放。最后将所有加权后的特征图在空间上相加并上采样到原图大小就得到了CAM热力图。数学表达简化对于类别 (c)其CAM热力图 (L_{CAM}^c) 可以通过以下公式计算 [ L_{CAM}^c \text{ReLU}\left( \sum_k w_k^c \cdot A^k \right) ] 其中(A^k) 是最后一个卷积层输出的第 (k) 个特征图。(w_k^c) 是连接第 (k) 个特征图经过GAP后与类别 (c) 的权重。ReLU用于过滤掉负向贡献通常认为只有正激活对分类有贡献。代码示意PyTorch风格import torch import torch.nn.functional as F def generate_cam(feature_maps, class_weights, class_idx): 生成经典CAM热力图。 Args: feature_maps: 最后一个卷积层的输出形状为 [1, C, H, W] class_weights: 全连接层中对应类别的权重形状为 [C, ] class_idx: 目标类别的索引 Returns: cam: 生成的热力图形状为 [H, W] # 获取目标类别的权重 weights class_weights[class_idx] # 形状 [C,] # 线性组合权重 * 特征图 (在通道维度上) cam torch.zeros(feature_maps.shape[2:]) # [H, W] for i, w in enumerate(weights): cam w * feature_maps[0, i, :, :] # 加权求和 # 应用ReLU只保留正向激活 cam F.relu(cam) # 归一化到[0, 1]区间以便可视化 cam cam - cam.min() cam cam / cam.max() if cam.max() 0 else cam return cam.numpy()局限性经典CAM要求网络结构必须包含GAP层且只能解释GAP层之后的那个分类层。这对于很多不包含GAP的经典网络如VGG或中间层的解释需求来说是一个巨大的限制。这催生了更通用的Grad-CAM。2.2 Grad-CAM通用性的飞跃Grad-CAM是CAM思想的一次重大泛化它解除了对GAP层的依赖使其几乎可以用于任何基于CNN的架构。核心洞察Grad-CAM用梯度作为权重。它回答了一个问题最后输出的类别分数相对于最后一个卷积层的每个特征图其变化有多敏感这个敏感度梯度的大小自然就代表了该特征图的重要性。计算步骤前向传播得到目标类别 (c) 的分数 (y^c)。计算 (y^c) 相对于最后一个卷积层特征图 (A) 的梯度(\frac{\partial y^c}{\partial A^k})。对每个特征图 (k)计算其梯度全局平均作为该图的权重 (\alpha_k^c) [ \alpha_k^c \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k} ] 其中 (Z) 是特征图的空间位置总数HxW。这个全局平均池化操作是对梯度进行的因此网络本身不需要有GAP层。计算加权和并应用ReLU得到Grad-CAM热力图 [ L_{Grad-CAM}^c \text{ReLU}\left( \sum_k \alpha_k^c A^k \right) ]代码示意import torch import torch.nn.functional as F def generate_grad_cam(model, input_tensor, target_class_idx, target_layer): 生成Grad-CAM热力图。 Args: model: 训练的PyTorch模型。 input_tensor: 输入图像张量形状 [1, C, H, W]。 target_class_idx: 目标类别索引。 target_layer: 目标卷积层通常是最后一个。 Returns: cam: 热力图。 model.eval() input_tensor.requires_grad_() # 前向传播获取目标层特征和最终输出 features None def hook_fn(module, input, output): nonlocal features features output.detach() # 保存特征图 handle target_layer.register_forward_hook(hook_fn) output model(input_tensor) target_score output[0, target_class_idx] # 反向传播计算梯度 model.zero_grad() target_score.backward() # 获取梯度 gradients input_tensor.grad # 这里简化实际需获取特征图的梯度 # 更常见的做法是使用hook捕获特征图的梯度 # 以下为伪代码逻辑 # 1. 在forward hook中保存特征图 A # 2. 在backward时计算 loss output[target_class_idx] # 3. loss.backward() # 4. 通过register_full_backward_hook获取特征图A的梯度 dA # 5. 计算权重 alpha dA.mean(dim[2,3], keepdimTrue) # 假设我们已经获得了特征图 A 和其梯度权重 alpha # alpha gradients_of_features.mean((2,3), keepdimTrue) # 形状 [1, C, 1, 1] # cam (alpha * features).sum(dim1, keepdimTrue) # 形状 [1, 1, H, W] # cam F.relu(cam) # cam F.interpolate(cam, input_tensor.shape[2:], modebilinear, align_cornersFalse) # cam cam.squeeze().cpu().numpy() handle.remove() # 返回归一化后的cam return cam_normalized注完整Grad-CAM实现需要仔细处理梯度hook以上为逻辑示意。实际可使用torchcam等库。Grad-CAM与Score-CAM等改进Grad-CAM考虑了正负梯度以及高阶梯度信息旨在获得更精细、更聚焦于物体整体而非零星点的热力图。Score-CAM摒弃梯度通过前向传播的方式用特征图对原始输入的掩码重要性进行评分作为权重。它对梯度饱和、噪声更鲁棒。在CNN时代以Grad-CAM为代表的方法基本确立了可视化解释的技术范式利用模型内部信号激活值、梯度与最终输出的关联生成空间注意力图。3. Transformer时代从“卷积特征”到“注意力权重”的范式转换随着Vision TransformerViT等模型的兴起视觉任务的骨干网络从CNN转向了Transformer。这一转变对CAM类方法提出了根本性挑战也带来了新的机遇。3.1 新挑战卷积特征的缺失传统CAM/Grad-CAM严重依赖于卷积层的空间特征图A。Transformer的核心是自注意力Self-Attention机制它处理的是序列化的图像块Patch没有天然的空间维度对齐的卷积特征图。我们无法直接套用“对特征图加权求和”的公式。3.2 新机遇注意力矩阵即解释Transformer的自注意力机制天然地计算了序列中每个元素图像块与其他所有元素之间的关联强度并以矩阵形式呈现。一个直观的想法是这个注意力矩阵本身是否就可以直接作为解释3.2.1 Attention Rollout追踪注意力流Attention Rollout 是一种用于可视化Transformer中信息流的方法。其核心思想是将每一层自注意力矩阵近似地视为信息传递的权重然后通过矩阵连乘将最后一层分类头[CLS] token的注意力回溯到最初的输入图像块。简单流程假设有L层Transformer。每一层都有一个自注意力矩阵 (A_l)考虑了多头平均后它描述了该层内token之间的关注度。为了计算从输出如[CLS] token到输入图像块的总注意力我们计算所有层注意力矩阵的乘积并考虑残差连接 [ \text{Attention Rollout} (I A_L) \times (I A_{L-1}) \times ... \times (I A_1) ] 其中 (I) 是单位矩阵代表残差连接。取结果矩阵中对应[CLS] token到各个图像块token的那一行即可得到每个图像块对最终决策的总体贡献度将其重塑并上采样即可得到热力图。代码逻辑示意import numpy as np def attention_rollout(attention_matrices, residual_attention_factor0.5): attention_matrices: 列表包含每一层的平均注意力矩阵 [num_layers, num_tokens, num_tokens] residual_attention_factor: 控制残差连接的影响通常为0.5 num_layers len(attention_matrices) num_tokens attention_matrices[0].shape[0] # 初始化一个单位矩阵 rollout_matrix np.eye(num_tokens) for attn_mat in attention_matrices: # 将注意力矩阵与单位矩阵混合模拟残差连接 # 常见做法attn residual_attention_factor * attn (1-residual_attention_factor) * I # 简化处理直接相加后归一化行和为1 attn_with_residual attn_mat np.eye(num_tokens) attn_with_residual attn_with_residual / attn_with_residual.sum(axis-1, keepdimsTrue) # 左乘将当前层的信息传递累积到总矩阵中 rollout_matrix np.matmul(attn_with_residual, rollout_matrix) # 我们关心[CLS] token通常是第0个token对所有输入token的注意力 cls_attention_to_patches rollout_matrix[0, 1:] # 忽略[CLS]自身取对其他patch的注意力 return cls_attention_to_patches优点与局限优点计算简单无需梯度直接利用模型前向传播的中间结果。局限Attention Rollout 假设注意力矩阵是信息流动的完美代理这可能是过度简化。它可能无法准确反映经过多层非线性变换如前馈网络FFN后的实际贡献。3.2.2 Transformer Attribution (Grad-CAM for Transformer)既然注意力矩阵可能不完美很自然地人们会想将Grad-CAM的思想迁移到Transformer上。这就是Transformer Attribution方法的核心。核心思想 虽然Transformer没有卷积特征图但它有中间层的输出特征即每个token的向量表示。这些特征同样具有空间对应关系每个token对应一个图像块。我们可以计算最终类别分数相对于这些中间特征向量的梯度并用梯度的某种聚合如L2范数或均值作为该token特征的权重然后将这些权重映射回对应的图像块。简化步骤选择某一层通常是最后几层的token特征 (F \in \mathbb{R}^{N \times D})其中N是token数量包括[CLS]D是特征维度。计算目标类别分数 (y^c) 对特征 (F) 的梯度(G \frac{\partial y^c}{\partial F})形状也是 (N \times D)。对每个token (i)计算其梯度向量的重要性分数例如取L2范数或各维度绝对值的均值(w_i |G_i|_2)。忽略[CLS] token的权重将其他token对应图像块的权重 (w_1, ..., w_{N-1}) 重塑为二维网格并上采样到原图大小得到热力图。与Grad-CAM的关联这本质上是将Grad-CAM中“特征图通道加权和”的思想推广到了“token特征向量加权和”的场景。权重由梯度决定。代码逻辑示意import torch def transformer_attribution(model, input_tensor, target_class_idx, target_layer): 简化的Transformer Attribution计算。 model.eval() # Hook获取中间层特征 features None def hook_fn(module, input, output): nonlocal features features output[0].detach() # output通常是 (sequence_output, pooled_output) handle target_layer.register_forward_hook(hook_fn) # 前向传播 output model(input_tensor) target_score output.logits[0, target_class_idx] # 假设输出有logits属性 # 反向传播求梯度 model.zero_grad() target_score.backward() # 获取特征图的梯度 (需要注册反向hook或使用 retain_grad) features.retain_grad() # ... 前向传播后target_score.backward() gradients features.grad # [batch, num_tokens, hidden_dim] # 计算每个token的重要性 (例如梯度各维度绝对值的均值) # 取第一个样本忽略[CLS] token token_importance gradients[0, 1:, :].abs().mean(dim-1) # [num_patches] handle.remove() # 将重要性分数重塑为patch网格形状并上采样 num_patches token_importance.shape[0] grid_size int(num_patches ** 0.5) # 假设是正方形网格 heatmap token_importance.reshape(grid_size, grid_size).cpu().numpy() return heatmap在Transformer时代可视化解释的方法从依赖固定的卷积结构转向了更灵活地利用模型内部的注意力机制和梯度信息。选择Attention Rollout还是Transformer Attribution往往需要在“简单高效”和“可能更准确”之间做权衡。4. Foundation Model时代新挑战与适应策略当我们将目光投向CLIP、Segment Anything Model (SAM)、DINOv2等基础模型时可视化解释的任务变得更加复杂但也更加有趣。4.1 新挑战模型架构与任务的泛化多模态性如CLIP同时处理图像和文本。解释其决策时我们需要理解图像区域的哪些视觉特征与文本提示的哪些语义概念对齐。这超出了单张热力图的范畴。无固定分类头基础模型通常是预训练的特征提取器下游任务通过添加轻量级头如线性分类器或提示工程来完成。经典的CAM方法依赖于一个定义明确的分类层这在基础模型上可能不存在或非常浅。密集预测任务如SAM输出是掩码Mask而非单一类别标签。解释对象是“为什么这个区域被分割出来”需要生成与分割掩码对应的解释图。提示Prompt敏感性基础模型的输出高度依赖于输入提示。解释时需要同时考虑图像内容和提示文本的影响。4.2 适应策略与新兴方法面对这些挑战研究社区正在发展新的解释方法特征空间探针在基础模型提取的通用特征之上训练一个简单的“探针”如线性分类器来完成特定任务如分类。然后对这个探针分类器应用Grad-CAM或类似方法。此时梯度从浅层的探针头反向传播到基础模型深层的特征图从而生成热力图。这相当于将基础模型视为一个强大的特征提取器而解释针对的是后续的任务特定层。优点实现相对简单复用现有CAM工具链。缺点解释的是“探针”的决策依据可能无法完全反映基础模型特征形成的本质原因。基于提示的归因对于CLIP这类模型可以计算图像特征与文本特征来自提示之间的相似度图。通过分析不同图像区域的特征与文本提示特征的相似度可以直接可视化模型是如何理解“文本描述在图像中的对应区域”的。这可以看作是一种跨模态的注意力。示例伪代码思路# 假设有CLIP模型图像编码器输出特征 grid_features [H, W, D] # 文本编码器对提示a dog输出特征 text_feature [1, D] # 计算空间相似度热力图 heatmap torch.einsum(hwd,d-hw, grid_features, text_feature.squeeze())这种方法直观地展示了模型的多模态对齐能力。针对分割模型的解释对于SAM等模型解释需要关联输入点/框提示与输出掩码。一种方法是计算提示点特征与图像所有位置特征的相似度或者可视化解码器中的注意力图看模型是如何将提示信息传播到整个图像以形成掩码的。4.3 实践建议如何为你的基础模型项目添加解释明确解释目标你是想理解模型提取的通用特征如DINOv2的自监督特征还是想解释一个具体的下游任务如用CLIP特征做的零样本分类任务适配分类任务在基础模型特征后添加一个分类头然后对该头使用Grad-CAM。检索/对齐任务如CLIP使用特征相似度图。分割任务尝试可视化解码器注意力或使用针对分割的Grad-CAM变体如Grad-CAM可以处理多通道输出。工具选择利用成熟的库来降低实现复杂度。CaptumPyTorch的通用可解释性库支持Integrated Gradients, DeepLift, Grad-CAM等多种方法对Transformer和自定义模型有较好支持。TorchCAM专注于CAM系列方法API简单。Visual Prompt Tuning解释工具一些针对VPT等微调方法的解释代码开始出现可关注相关论文开源项目。5. 实战使用TorchCAM为CNN和Transformer模型生成热力图理论需要实践来巩固。下面我们以一个完整的代码示例展示如何使用torchcam库为ResNetCNN和Vision TransformerViT模型生成Grad-CAM热力图。5.1 环境准备# 创建环境可选 # conda create -n cam_demo python3.8 # conda activate cam_demo # 安装核心库 pip install torch torchvision torchcam Pillow matplotlib opencv-python # 安装 timm (包含Vision Transformer模型) pip install timm5.2 为CNN模型ResNet50生成Grad-CAMimport torch from torchvision import models, transforms from torchcam.methods import GradCAM from torchcam.utils import overlay_mask from PIL import Image import matplotlib.pyplot as plt # 1. 加载预训练模型和预处理 model models.resnet50(pretrainedTrue) model.eval() # 2. 选择目标层通常是最后一个卷积层 target_layer model.layer4[-1].conv3 # ResNet50的最后一个卷积层 # 3. 创建CAM提取器 cam_extractor GradCAM(model, target_layer) # 4. 预处理图像 preprocess transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) img_path your_image.jpg # 替换为你的图片路径 img Image.open(img_path).convert(RGB) input_tensor preprocess(img).unsqueeze(0) # 增加batch维度 # 5. 前向传播获取CAM with torch.no_grad(): out model(input_tensor) # 获取预测类别 class_idx out.squeeze().argmax().item() # 生成该类别的CAM activation_map cam_extractor(class_idx, out) # 6. 可视化 if activation_map: # 将CAM转换为热力图并叠加到原图 result overlay_mask(img, activation_map[0], alpha0.5) # 显示结果 fig, axes plt.subplots(1, 2, figsize(10, 5)) axes[0].imshow(img) axes[0].axis(off) axes[0].set_title(Original Image) axes[1].imshow(result) axes[1].axis(off) axes[1].set_title(fGrad-CAM (Class: {class_idx})) plt.show() # 7. 释放提取器资源 cam_extractor.clear_hooks()5.3 为Transformer模型ViT生成CAM为Transformer生成CAM需要更谨慎地选择目标层并可能需要对torchcam进行小幅适配或使用其他方法。以下展示使用timm库和captum库的一种方式import torch import timm from captum.attr import LayerGradCam from PIL import Image import torchvision.transforms as T import numpy as np import matplotlib.pyplot as plt # 1. 加载Vision Transformer模型 model timm.create_model(vit_base_patch16_224, pretrainedTrue) model.eval() # 2. 定义预处理 transform T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean[0.5, 0.5, 0.5], std[0.5, 0.5, 0.5]), ]) # 3. 加载并预处理图像 img Image.open(your_image.jpg).convert(RGB) input_tensor transform(img).unsqueeze(0) input_tensor.requires_grad True # 4. 选择目标层通常是最后一个Transformer块之前的层或分类头之前的层 # ViT的blocks是顺序模块最后一个block的norm1或attn层是常见选择 target_layer model.blocks[-1].norm1 # 5. 使用Captum的LayerGradCam grad_cam LayerGradCam(model, target_layer) # 获取模型输出 output model(input_tensor) pred_class output.argmax(dim1).item() # 计算属性 attribution grad_cam.attribute(input_tensor, targetpred_class, relu_attributionsTrue) # 6. 后处理属性图 # attribution形状是 [1, 1, H, W]其中H,W是特征图大小如14x14 attr_map attribution.squeeze().cpu().detach().numpy() # 上采样到输入图像大小 import cv2 attr_map_resized cv2.resize(attr_map, (224, 224)) # 归一化 attr_map_resized np.maximum(attr_map_resized, 0) # ReLU attr_map_resized (attr_map_resized - attr_map_resized.min()) / (attr_map_resized.max() - attr_map_resized.min() 1e-8) # 7. 可视化 plt.figure(figsize(10, 5)) plt.subplot(1, 2, 1) plt.imshow(img) plt.axis(off) plt.title(Original Image) plt.subplot(1, 2, 2) plt.imshow(img) plt.imshow(attr_map_resized, cmapjet, alpha0.5) plt.axis(off) plt.title(fViT Grad-CAM (Class: {pred_class})) plt.show()关键点对于ViTtarget_layer的选择至关重要。常见选择包括最后一个Transformer块的norm1注意力层后归一化前。最后一个Transformer块的attn.attn_drop注意力权重后。分类头head之前的全局特征。不同的选择会导致热力图聚焦在不同抽象层次的信息上。6. 常见问题与排查思路在实际应用CAM方法时你可能会遇到以下典型问题问题现象可能原因排查方式解决方案热力图全黑或全灰1. 目标类别预测置信度极低。2. 梯度消失/爆炸。3. 使用了ReLU但所有激活值为负。1. 检查模型对输入图像的预测概率分布。2. 检查梯度值是否正常过大或过小。3. 查看原始CAM值应用ReLU前。1. 确保图像属于模型已知类别。2. 尝试使用GradCAM或ScoreCAM它们对梯度问题更鲁棒。3. 尝试不使用ReLU或改用linear模式查看负激活。热力图聚焦在错误区域如背景1. 模型本身存在偏见或过拟合。2. 目标层选择太浅或太深。3. 对于Transformer注意力分散。1. 用多个不同类别的图像测试看是否是普遍问题。2. 尝试不同深度的目标层。3. 可视化原始注意力矩阵看是否聚焦正确。1. 考虑使用更多样化的数据微调模型。2.对于CNN浅层关注边缘纹理深层关注语义部分。选择最后几个卷积层通常较好。3.对于Transformer尝试Attention Rollout或检查是否需对注意力头进行更好的平均/选择。热力图过于稀疏或分散1. 梯度稀疏特别是使用ReLU的模型。2. CAM方法本身特性如原始CAM。1. 检查梯度直方图。2. 对比不同方法Grad-CAM, Grad-CAM, Score-CAM。1. 尝试使用Grad-CAM或XGrad-CAM它们旨在产生更平滑、覆盖更广的热力图。2. 对生成的热力图进行高斯平滑滤波。运行时报错如hook相关1. 目标层选择错误如选择了非模块化的层。2. 模型在eval模式下行为不同。3. 库版本不兼容。1. 打印模型结构确认目标层路径正确。2. 确保模型在提取CAM前后状态一致。3. 查看错误堆栈信息。1. 使用named_modules()遍历并选择正确的层对象。2. 在with torch.no_grad():和model.eval()环境下进行。3. 查阅所用CAM库如torchcam, captum的文档和issue。Transformer热力图网格状明显1. 热力图基于图像块Patch级别生成上采样后产生方块效应。查看上采样前的热力图形状确认是否与patch数量一致。1. 使用更平滑的上采样方法如双三次插值。2. 在计算token重要性时考虑相邻patch之间的相关性进行平滑。多物体场景只突出一个CAM默认针对单一类别生成热力图。确认你传入的class_idx是否正确。分别生成每个感兴趣类别的热力图然后叠加或并列显示。7. 最佳实践与工程建议将CAM集成到你的项目流水线中时遵循以下建议可以避免很多坑目标层选择是关键CNN优先选择最后一个卷积层或最后一个空间特征层。太浅的层如conv1对应低级特征边缘、颜色解释性差太深的层全连接层之后空间信息已丢失。Transformer尝试最后1-2个块的注意力层或归一化层。也可以对多个层的注意力或特征进行加权平均。通用策略编写一个脚本针对你的模型批量测试不同层生成的热力图选择视觉上最合理、最稳定的那一层。方法选择指南追求简单快速对于标准CNNGrad-CAM是可靠的起点。对于Transformer可先试Attention Rollout。需要更精细、物体级定位尝试Grad-CAM或Score-CAM。模型梯度不稳定或饱和优先考虑Score-CAM或Ablation-CAM等基于前向传播的方法。基础模型/特征解释使用特征空间探针Grad-CAM或直接分析特征相似度图。结果评估与验证定性检查在验证集上人工观察热力图是否聚焦在正确的语义区域。这是最基本也是最重要的验证。定量指标谨慎使用如“删除/插入曲线”Deletion/Insertion Curve或“指向性游戏”Pointing Game。这些指标通过系统性地扰动图像删除或插入高重要性区域并观察模型置信度变化来量化解释的忠实度。但它们计算成本高且本身依赖于一些假设。不要过度解读热力图显示的是模型决策的“相关性”区域不一定是“因果性”区域。它可能捕捉到的是与目标物体共现的背景如草地上的狗。工程集成性能CAM计算涉及额外的反向传播或前向传播在推理时会产生开销。在生产环境中考虑异步生成或仅对关键样本/低置信度样本生成解释。可视化使用清晰的色彩映射如jet或viridis并控制透明度alpha以便与原图叠加。提供类别标签和置信度一起显示。日志与调试将热力图与模型输入、输出、中间特征一起记录便于离线分析和模型调试。安全与伦理不要完全依赖CAM是一种重要的调试和解释工具但不能替代全面的模型评估、公平性审计和安全性测试。防止被误导攻击者可能通过生成对抗性样本Adversarial Examples来制造欺骗性的热力图。在安全关键领域需结合其他可解释性方法和鲁棒性测试。从CNN到Transformer再到Foundation ModelClass Activation Mapping的思想如同一根红线贯穿了可解释性计算机视觉的发展。它从最初依赖特定网络结构GAP的巧技演变为利用梯度信息的通用方法Grad-CAM再适应了基于注意力的新架构Attention Rollout, Transformer Attribution并正在努力应对基础模型带来的多模态、提示化新挑战。作为开发者理解这条演进路径的价值在于它让你不再把CAM看作一个孤立的工具函数而是一套根据模型架构“对症下药”的方法论。当你面对一个新模型时你可以快速判断其核心机制卷积、自注意力、多模态对齐并选择或设计合适的解释策略。下一步你可以深入代码仔细阅读torchcam或captum的源码理解不同方法的具体实现细节。横向对比在同一个任务如图像分类上用同一批图像对比CNN如ResNet、Transformer如ViT和基础模型如CLIP的可视化结果直观感受不同架构“看”世界的方式差异。探索前沿关注如“概念激活向量”Concept Activation Vectors, TCAV、“基于Shapley值的解释”SHAP等其他可解释性方向它们从不同角度补充了CAM的空间注意力视角。可解释性不是终点而是通往更可靠、更可信、更可控AI系统的重要路径。掌握CAM及其演进是你在这条路上迈出的坚实一步。 
长河君 · 2026/8/16 5:46:00 · 阅读 1.2k 从CAM到Transformer Attribution：深度学习模型可视化解释技术演进与实践
当你在调试一个图像分类模型时它告诉你图片里是一只“熊猫”但你看着那张混杂着黑白团块和绿色背景的图片心里难免会犯嘀咕模型到底“看”到了什么是熊猫的黑眼圈还是旁边不小心入镜的竹子这种“黑箱”带来的不信任感是深度学习尤其是计算机视觉领域长期以来的核心痛点。Class Activation MappingCAM类激活映射技术的出现就像给这个黑箱装上了一扇“可视化的窗户”。它不再满足于模型给出一个冷冰冰的标签和概率而是试图生成一张热力图直观地告诉你“看模型主要是根据图片中这些亮起的区域来判断它是熊猫的。” 这不仅仅是满足好奇心在医疗影像诊断、自动驾驶感知验证、工业质检等对决策可解释性要求极高的领域CAM及其衍生方法已成为不可或缺的一环。然而如果你认为CAM只是一套固定的代码工具那就低估了它的演进速度。从CNN时代经典的Grad-CAM到Transformer架构下催生的Attention Rollout、Transformer Attribution再到如今Foundation Model基础模型时代面临的崭新挑战可视化解释技术本身已经形成了一条清晰的技术发展脉络。理解这条脉络不仅能帮你更好地使用现有工具更能让你洞察到不同模型架构的“注意力”机制本质有何不同从而在设计模型、选择方案甚至进行模型调试时做出更明智的决策。本文将以CAM方法为核心带你进行一次贯穿CNN、Transformer和Foundation Model三个时代的“可视化解释技术演进史”深度回顾。我们将避开枯燥的公式堆砌聚焦于回答几个关键问题为什么需要它不同时代的核心方法是如何工作的用代码和示意图说话在实际项目中如何选择和应用以及面对强大的基础模型现有的解释方法遇到了哪些新挑战无论你是希望为自己的CV项目增加可解释性模块的工程师还是希望深入理解模型内部机理的研究者这篇文章都将提供从理论到实践的完整路线图。1. 可解释性视觉从“黑箱”到“热力图”的必然需求在深入技术细节之前我们首先要破除一个误区可解释性Explainability并不是一个“锦上添花”的附加功能而是许多AI系统得以落地应用的前提条件。设想以下几个场景医疗辅助诊断一个AI系统指出CT影像中有疑似肿瘤区域。医生敢直接采信吗他必须知道模型是基于真实的病灶特征还是图像伪影或无关组织做出的判断。一张指向明确的热力图是建立人机信任的桥梁。自动驾驶车辆突然刹车系统日志显示是因为检测到了“行人”。但回传画面中行人并不明显。是模型误检了阴影还是真的有一个被部分遮挡的行人可视化的注意力区域可以帮助工程师快速定位感知模块的问题根源。内容审核一个图像分类模型将某张社交图片标记为“违规”。审核人员需要知道具体是图片中的哪个元素如文字、符号、特定物体触发了规则以便复核或优化模型。在这些场景中仅仅一个分类标签和置信度是远远不够的。决策的依据和过程同样重要。这就是可解释性计算机视觉的核心任务让模型的决策过程对人类而言是透明、可理解的。Class Activation MappingCAM是达成这一目标最直观、影响最深远的技术路径之一。它的核心思想可以概括为将模型最终输出层对应某个类别的权重反向映射回输入图像的原始空间生成一张与输入图像同尺寸的热力图Heatmap图中高亮通常为红色/黄色的区域即被认为是模型做出该分类决策所依赖的关键区域。这种方法之所以强大是因为它提供了一种与模型架构部分解耦的通用思路。无论底层是CNN、Transformer还是其他结构只要我们能获取到最终分类层与中间特征图之间的关联权重就能尝试生成某种形式的热力图解释。接下来我们将看到这一思想是如何在不同模型架构时代被具体实现和演进的。2. CAM的核心思想与CNN时代的奠基之作要理解后续的所有变体必须从最经典的、为CNN设计的CAM方法开始。2.1 经典CAM全局平均池化GAP的副产品2016年提出的原始CAM方法其诞生与一种特殊的网络结构紧密相关——即在卷积神经网络末尾使用全局平均池化层Global Average Pooling, GAP。工作原理通俗解释想象一个CNN它的最后几层是这样的一系列卷积层输出多个“特征图”每个图像可以理解为提取了某种特定纹理、形状或部件然后这些特征图不是被拉平送入全连接层而是先经过一个GAP层。GAP层对每个特征图进行“平均”将其压缩成一个单一的数值。这个数值代表了该特征在整个图像上的平均响应强度。这些数值每个特征图一个随后被送入一个全连接层即分类层与不同的类别权重相结合计算出最终的类别分数。CAM的精妙之处在于最终某个类别的得分可以看作是所有特征图经过GAP后的值与分类层中该类对应权重的加权和。既然每个特征图都能通过GAP得到一个全局权重那么我们就可以把这个权重“分配”回原始特征图上的每一个空间位置实际上就是不做平均直接按权重缩放。最后将所有加权后的特征图在空间上相加并上采样到原图大小就得到了CAM热力图。数学表达简化对于类别 (c)其CAM热力图 (L_{CAM}^c) 可以通过以下公式计算 [ L_{CAM}^c \text{ReLU}\left( \sum_k w_k^c \cdot A^k \right) ] 其中(A^k) 是最后一个卷积层输出的第 (k) 个特征图。(w_k^c) 是连接第 (k) 个特征图经过GAP后与类别 (c) 的权重。ReLU用于过滤掉负向贡献通常认为只有正激活对分类有贡献。代码示意PyTorch风格import torch import torch.nn.functional as F def generate_cam(feature_maps, class_weights, class_idx): 生成经典CAM热力图。 Args: feature_maps: 最后一个卷积层的输出形状为 [1, C, H, W] class_weights: 全连接层中对应类别的权重形状为 [C, ] class_idx: 目标类别的索引 Returns: cam: 生成的热力图形状为 [H, W] # 获取目标类别的权重 weights class_weights[class_idx] # 形状 [C,] # 线性组合权重 * 特征图 (在通道维度上) cam torch.zeros(feature_maps.shape[2:]) # [H, W] for i, w in enumerate(weights): cam w * feature_maps[0, i, :, :] # 加权求和 # 应用ReLU只保留正向激活 cam F.relu(cam) # 归一化到[0, 1]区间以便可视化 cam cam - cam.min() cam cam / cam.max() if cam.max() 0 else cam return cam.numpy()局限性经典CAM要求网络结构必须包含GAP层且只能解释GAP层之后的那个分类层。这对于很多不包含GAP的经典网络如VGG或中间层的解释需求来说是一个巨大的限制。这催生了更通用的Grad-CAM。2.2 Grad-CAM通用性的飞跃Grad-CAM是CAM思想的一次重大泛化它解除了对GAP层的依赖使其几乎可以用于任何基于CNN的架构。核心洞察Grad-CAM用梯度作为权重。它回答了一个问题最后输出的类别分数相对于最后一个卷积层的每个特征图其变化有多敏感这个敏感度梯度的大小自然就代表了该特征图的重要性。计算步骤前向传播得到目标类别 (c) 的分数 (y^c)。计算 (y^c) 相对于最后一个卷积层特征图 (A) 的梯度(\frac{\partial y^c}{\partial A^k})。对每个特征图 (k)计算其梯度全局平均作为该图的权重 (\alpha_k^c) [ \alpha_k^c \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k} ] 其中 (Z) 是特征图的空间位置总数HxW。这个全局平均池化操作是对梯度进行的因此网络本身不需要有GAP层。计算加权和并应用ReLU得到Grad-CAM热力图 [ L_{Grad-CAM}^c \text{ReLU}\left( \sum_k \alpha_k^c A^k \right) ]代码示意import torch import torch.nn.functional as F def generate_grad_cam(model, input_tensor, target_class_idx, target_layer): 生成Grad-CAM热力图。 Args: model: 训练的PyTorch模型。 input_tensor: 输入图像张量形状 [1, C, H, W]。 target_class_idx: 目标类别索引。 target_layer: 目标卷积层通常是最后一个。 Returns: cam: 热力图。 model.eval() input_tensor.requires_grad_() # 前向传播获取目标层特征和最终输出 features None def hook_fn(module, input, output): nonlocal features features output.detach() # 保存特征图 handle target_layer.register_forward_hook(hook_fn) output model(input_tensor) target_score output[0, target_class_idx] # 反向传播计算梯度 model.zero_grad() target_score.backward() # 获取梯度 gradients input_tensor.grad # 这里简化实际需获取特征图的梯度 # 更常见的做法是使用hook捕获特征图的梯度 # 以下为伪代码逻辑 # 1. 在forward hook中保存特征图 A # 2. 在backward时计算 loss output[target_class_idx] # 3. loss.backward() # 4. 通过register_full_backward_hook获取特征图A的梯度 dA # 5. 计算权重 alpha dA.mean(dim[2,3], keepdimTrue) # 假设我们已经获得了特征图 A 和其梯度权重 alpha # alpha gradients_of_features.mean((2,3), keepdimTrue) # 形状 [1, C, 1, 1] # cam (alpha * features).sum(dim1, keepdimTrue) # 形状 [1, 1, H, W] # cam F.relu(cam) # cam F.interpolate(cam, input_tensor.shape[2:], modebilinear, align_cornersFalse) # cam cam.squeeze().cpu().numpy() handle.remove() # 返回归一化后的cam return cam_normalized注完整Grad-CAM实现需要仔细处理梯度hook以上为逻辑示意。实际可使用torchcam等库。Grad-CAM与Score-CAM等改进Grad-CAM考虑了正负梯度以及高阶梯度信息旨在获得更精细、更聚焦于物体整体而非零星点的热力图。Score-CAM摒弃梯度通过前向传播的方式用特征图对原始输入的掩码重要性进行评分作为权重。它对梯度饱和、噪声更鲁棒。在CNN时代以Grad-CAM为代表的方法基本确立了可视化解释的技术范式利用模型内部信号激活值、梯度与最终输出的关联生成空间注意力图。3. Transformer时代从“卷积特征”到“注意力权重”的范式转换随着Vision TransformerViT等模型的兴起视觉任务的骨干网络从CNN转向了Transformer。这一转变对CAM类方法提出了根本性挑战也带来了新的机遇。3.1 新挑战卷积特征的缺失传统CAM/Grad-CAM严重依赖于卷积层的空间特征图A。Transformer的核心是自注意力Self-Attention机制它处理的是序列化的图像块Patch没有天然的空间维度对齐的卷积特征图。我们无法直接套用“对特征图加权求和”的公式。3.2 新机遇注意力矩阵即解释Transformer的自注意力机制天然地计算了序列中每个元素图像块与其他所有元素之间的关联强度并以矩阵形式呈现。一个直观的想法是这个注意力矩阵本身是否就可以直接作为解释3.2.1 Attention Rollout追踪注意力流Attention Rollout 是一种用于可视化Transformer中信息流的方法。其核心思想是将每一层自注意力矩阵近似地视为信息传递的权重然后通过矩阵连乘将最后一层分类头[CLS] token的注意力回溯到最初的输入图像块。简单流程假设有L层Transformer。每一层都有一个自注意力矩阵 (A_l)考虑了多头平均后它描述了该层内token之间的关注度。为了计算从输出如[CLS] token到输入图像块的总注意力我们计算所有层注意力矩阵的乘积并考虑残差连接 [ \text{Attention Rollout} (I A_L) \times (I A_{L-1}) \times ... \times (I A_1) ] 其中 (I) 是单位矩阵代表残差连接。取结果矩阵中对应[CLS] token到各个图像块token的那一行即可得到每个图像块对最终决策的总体贡献度将其重塑并上采样即可得到热力图。代码逻辑示意import numpy as np def attention_rollout(attention_matrices, residual_attention_factor0.5): attention_matrices: 列表包含每一层的平均注意力矩阵 [num_layers, num_tokens, num_tokens] residual_attention_factor: 控制残差连接的影响通常为0.5 num_layers len(attention_matrices) num_tokens attention_matrices[0].shape[0] # 初始化一个单位矩阵 rollout_matrix np.eye(num_tokens) for attn_mat in attention_matrices: # 将注意力矩阵与单位矩阵混合模拟残差连接 # 常见做法attn residual_attention_factor * attn (1-residual_attention_factor) * I # 简化处理直接相加后归一化行和为1 attn_with_residual attn_mat np.eye(num_tokens) attn_with_residual attn_with_residual / attn_with_residual.sum(axis-1, keepdimsTrue) # 左乘将当前层的信息传递累积到总矩阵中 rollout_matrix np.matmul(attn_with_residual, rollout_matrix) # 我们关心[CLS] token通常是第0个token对所有输入token的注意力 cls_attention_to_patches rollout_matrix[0, 1:] # 忽略[CLS]自身取对其他patch的注意力 return cls_attention_to_patches优点与局限优点计算简单无需梯度直接利用模型前向传播的中间结果。局限Attention Rollout 假设注意力矩阵是信息流动的完美代理这可能是过度简化。它可能无法准确反映经过多层非线性变换如前馈网络FFN后的实际贡献。3.2.2 Transformer Attribution (Grad-CAM for Transformer)既然注意力矩阵可能不完美很自然地人们会想将Grad-CAM的思想迁移到Transformer上。这就是Transformer Attribution方法的核心。核心思想 虽然Transformer没有卷积特征图但它有中间层的输出特征即每个token的向量表示。这些特征同样具有空间对应关系每个token对应一个图像块。我们可以计算最终类别分数相对于这些中间特征向量的梯度并用梯度的某种聚合如L2范数或均值作为该token特征的权重然后将这些权重映射回对应的图像块。简化步骤选择某一层通常是最后几层的token特征 (F \in \mathbb{R}^{N \times D})其中N是token数量包括[CLS]D是特征维度。计算目标类别分数 (y^c) 对特征 (F) 的梯度(G \frac{\partial y^c}{\partial F})形状也是 (N \times D)。对每个token (i)计算其梯度向量的重要性分数例如取L2范数或各维度绝对值的均值(w_i |G_i|_2)。忽略[CLS] token的权重将其他token对应图像块的权重 (w_1, ..., w_{N-1}) 重塑为二维网格并上采样到原图大小得到热力图。与Grad-CAM的关联这本质上是将Grad-CAM中“特征图通道加权和”的思想推广到了“token特征向量加权和”的场景。权重由梯度决定。代码逻辑示意import torch def transformer_attribution(model, input_tensor, target_class_idx, target_layer): 简化的Transformer Attribution计算。 model.eval() # Hook获取中间层特征 features None def hook_fn(module, input, output): nonlocal features features output[0].detach() # output通常是 (sequence_output, pooled_output) handle target_layer.register_forward_hook(hook_fn) # 前向传播 output model(input_tensor) target_score output.logits[0, target_class_idx] # 假设输出有logits属性 # 反向传播求梯度 model.zero_grad() target_score.backward() # 获取特征图的梯度 (需要注册反向hook或使用 retain_grad) features.retain_grad() # ... 前向传播后target_score.backward() gradients features.grad # [batch, num_tokens, hidden_dim] # 计算每个token的重要性 (例如梯度各维度绝对值的均值) # 取第一个样本忽略[CLS] token token_importance gradients[0, 1:, :].abs().mean(dim-1) # [num_patches] handle.remove() # 将重要性分数重塑为patch网格形状并上采样 num_patches token_importance.shape[0] grid_size int(num_patches ** 0.5) # 假设是正方形网格 heatmap token_importance.reshape(grid_size, grid_size).cpu().numpy() return heatmap在Transformer时代可视化解释的方法从依赖固定的卷积结构转向了更灵活地利用模型内部的注意力机制和梯度信息。选择Attention Rollout还是Transformer Attribution往往需要在“简单高效”和“可能更准确”之间做权衡。4. Foundation Model时代新挑战与适应策略当我们将目光投向CLIP、Segment Anything Model (SAM)、DINOv2等基础模型时可视化解释的任务变得更加复杂但也更加有趣。4.1 新挑战模型架构与任务的泛化多模态性如CLIP同时处理图像和文本。解释其决策时我们需要理解图像区域的哪些视觉特征与文本提示的哪些语义概念对齐。这超出了单张热力图的范畴。无固定分类头基础模型通常是预训练的特征提取器下游任务通过添加轻量级头如线性分类器或提示工程来完成。经典的CAM方法依赖于一个定义明确的分类层这在基础模型上可能不存在或非常浅。密集预测任务如SAM输出是掩码Mask而非单一类别标签。解释对象是“为什么这个区域被分割出来”需要生成与分割掩码对应的解释图。提示Prompt敏感性基础模型的输出高度依赖于输入提示。解释时需要同时考虑图像内容和提示文本的影响。4.2 适应策略与新兴方法面对这些挑战研究社区正在发展新的解释方法特征空间探针在基础模型提取的通用特征之上训练一个简单的“探针”如线性分类器来完成特定任务如分类。然后对这个探针分类器应用Grad-CAM或类似方法。此时梯度从浅层的探针头反向传播到基础模型深层的特征图从而生成热力图。这相当于将基础模型视为一个强大的特征提取器而解释针对的是后续的任务特定层。优点实现相对简单复用现有CAM工具链。缺点解释的是“探针”的决策依据可能无法完全反映基础模型特征形成的本质原因。基于提示的归因对于CLIP这类模型可以计算图像特征与文本特征来自提示之间的相似度图。通过分析不同图像区域的特征与文本提示特征的相似度可以直接可视化模型是如何理解“文本描述在图像中的对应区域”的。这可以看作是一种跨模态的注意力。示例伪代码思路# 假设有CLIP模型图像编码器输出特征 grid_features [H, W, D] # 文本编码器对提示a dog输出特征 text_feature [1, D] # 计算空间相似度热力图 heatmap torch.einsum(hwd,d-hw, grid_features, text_feature.squeeze())这种方法直观地展示了模型的多模态对齐能力。针对分割模型的解释对于SAM等模型解释需要关联输入点/框提示与输出掩码。一种方法是计算提示点特征与图像所有位置特征的相似度或者可视化解码器中的注意力图看模型是如何将提示信息传播到整个图像以形成掩码的。4.3 实践建议如何为你的基础模型项目添加解释明确解释目标你是想理解模型提取的通用特征如DINOv2的自监督特征还是想解释一个具体的下游任务如用CLIP特征做的零样本分类任务适配分类任务在基础模型特征后添加一个分类头然后对该头使用Grad-CAM。检索/对齐任务如CLIP使用特征相似度图。分割任务尝试可视化解码器注意力或使用针对分割的Grad-CAM变体如Grad-CAM可以处理多通道输出。工具选择利用成熟的库来降低实现复杂度。CaptumPyTorch的通用可解释性库支持Integrated Gradients, DeepLift, Grad-CAM等多种方法对Transformer和自定义模型有较好支持。TorchCAM专注于CAM系列方法API简单。Visual Prompt Tuning解释工具一些针对VPT等微调方法的解释代码开始出现可关注相关论文开源项目。5. 实战使用TorchCAM为CNN和Transformer模型生成热力图理论需要实践来巩固。下面我们以一个完整的代码示例展示如何使用torchcam库为ResNetCNN和Vision TransformerViT模型生成Grad-CAM热力图。5.1 环境准备# 创建环境可选 # conda create -n cam_demo python3.8 # conda activate cam_demo # 安装核心库 pip install torch torchvision torchcam Pillow matplotlib opencv-python # 安装 timm (包含Vision Transformer模型) pip install timm5.2 为CNN模型ResNet50生成Grad-CAMimport torch from torchvision import models, transforms from torchcam.methods import GradCAM from torchcam.utils import overlay_mask from PIL import Image import matplotlib.pyplot as plt # 1. 加载预训练模型和预处理 model models.resnet50(pretrainedTrue) model.eval() # 2. 选择目标层通常是最后一个卷积层 target_layer model.layer4[-1].conv3 # ResNet50的最后一个卷积层 # 3. 创建CAM提取器 cam_extractor GradCAM(model, target_layer) # 4. 预处理图像 preprocess transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) img_path your_image.jpg # 替换为你的图片路径 img Image.open(img_path).convert(RGB) input_tensor preprocess(img).unsqueeze(0) # 增加batch维度 # 5. 前向传播获取CAM with torch.no_grad(): out model(input_tensor) # 获取预测类别 class_idx out.squeeze().argmax().item() # 生成该类别的CAM activation_map cam_extractor(class_idx, out) # 6. 可视化 if activation_map: # 将CAM转换为热力图并叠加到原图 result overlay_mask(img, activation_map[0], alpha0.5) # 显示结果 fig, axes plt.subplots(1, 2, figsize(10, 5)) axes[0].imshow(img) axes[0].axis(off) axes[0].set_title(Original Image) axes[1].imshow(result) axes[1].axis(off) axes[1].set_title(fGrad-CAM (Class: {class_idx})) plt.show() # 7. 释放提取器资源 cam_extractor.clear_hooks()5.3 为Transformer模型ViT生成CAM为Transformer生成CAM需要更谨慎地选择目标层并可能需要对torchcam进行小幅适配或使用其他方法。以下展示使用timm库和captum库的一种方式import torch import timm from captum.attr import LayerGradCam from PIL import Image import torchvision.transforms as T import numpy as np import matplotlib.pyplot as plt # 1. 加载Vision Transformer模型 model timm.create_model(vit_base_patch16_224, pretrainedTrue) model.eval() # 2. 定义预处理 transform T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean[0.5, 0.5, 0.5], std[0.5, 0.5, 0.5]), ]) # 3. 加载并预处理图像 img Image.open(your_image.jpg).convert(RGB) input_tensor transform(img).unsqueeze(0) input_tensor.requires_grad True # 4. 选择目标层通常是最后一个Transformer块之前的层或分类头之前的层 # ViT的blocks是顺序模块最后一个block的norm1或attn层是常见选择 target_layer model.blocks[-1].norm1 # 5. 使用Captum的LayerGradCam grad_cam LayerGradCam(model, target_layer) # 获取模型输出 output model(input_tensor) pred_class output.argmax(dim1).item() # 计算属性 attribution grad_cam.attribute(input_tensor, targetpred_class, relu_attributionsTrue) # 6. 后处理属性图 # attribution形状是 [1, 1, H, W]其中H,W是特征图大小如14x14 attr_map attribution.squeeze().cpu().detach().numpy() # 上采样到输入图像大小 import cv2 attr_map_resized cv2.resize(attr_map, (224, 224)) # 归一化 attr_map_resized np.maximum(attr_map_resized, 0) # ReLU attr_map_resized (attr_map_resized - attr_map_resized.min()) / (attr_map_resized.max() - attr_map_resized.min() 1e-8) # 7. 可视化 plt.figure(figsize(10, 5)) plt.subplot(1, 2, 1) plt.imshow(img) plt.axis(off) plt.title(Original Image) plt.subplot(1, 2, 2) plt.imshow(img) plt.imshow(attr_map_resized, cmapjet, alpha0.5) plt.axis(off) plt.title(fViT Grad-CAM (Class: {pred_class})) plt.show()关键点对于ViTtarget_layer的选择至关重要。常见选择包括最后一个Transformer块的norm1注意力层后归一化前。最后一个Transformer块的attn.attn_drop注意力权重后。分类头head之前的全局特征。不同的选择会导致热力图聚焦在不同抽象层次的信息上。6. 常见问题与排查思路在实际应用CAM方法时你可能会遇到以下典型问题问题现象可能原因排查方式解决方案热力图全黑或全灰1. 目标类别预测置信度极低。2. 梯度消失/爆炸。3. 使用了ReLU但所有激活值为负。1. 检查模型对输入图像的预测概率分布。2. 检查梯度值是否正常过大或过小。3. 查看原始CAM值应用ReLU前。1. 确保图像属于模型已知类别。2. 尝试使用GradCAM或ScoreCAM它们对梯度问题更鲁棒。3. 尝试不使用ReLU或改用linear模式查看负激活。热力图聚焦在错误区域如背景1. 模型本身存在偏见或过拟合。2. 目标层选择太浅或太深。3. 对于Transformer注意力分散。1. 用多个不同类别的图像测试看是否是普遍问题。2. 尝试不同深度的目标层。3. 可视化原始注意力矩阵看是否聚焦正确。1. 考虑使用更多样化的数据微调模型。2.对于CNN浅层关注边缘纹理深层关注语义部分。选择最后几个卷积层通常较好。3.对于Transformer尝试Attention Rollout或检查是否需对注意力头进行更好的平均/选择。热力图过于稀疏或分散1. 梯度稀疏特别是使用ReLU的模型。2. CAM方法本身特性如原始CAM。1. 检查梯度直方图。2. 对比不同方法Grad-CAM, Grad-CAM, Score-CAM。1. 尝试使用Grad-CAM或XGrad-CAM它们旨在产生更平滑、覆盖更广的热力图。2. 对生成的热力图进行高斯平滑滤波。运行时报错如hook相关1. 目标层选择错误如选择了非模块化的层。2. 模型在eval模式下行为不同。3. 库版本不兼容。1. 打印模型结构确认目标层路径正确。2. 确保模型在提取CAM前后状态一致。3. 查看错误堆栈信息。1. 使用named_modules()遍历并选择正确的层对象。2. 在with torch.no_grad():和model.eval()环境下进行。3. 查阅所用CAM库如torchcam, captum的文档和issue。Transformer热力图网格状明显1. 热力图基于图像块Patch级别生成上采样后产生方块效应。查看上采样前的热力图形状确认是否与patch数量一致。1. 使用更平滑的上采样方法如双三次插值。2. 在计算token重要性时考虑相邻patch之间的相关性进行平滑。多物体场景只突出一个CAM默认针对单一类别生成热力图。确认你传入的class_idx是否正确。分别生成每个感兴趣类别的热力图然后叠加或并列显示。7. 最佳实践与工程建议将CAM集成到你的项目流水线中时遵循以下建议可以避免很多坑目标层选择是关键CNN优先选择最后一个卷积层或最后一个空间特征层。太浅的层如conv1对应低级特征边缘、颜色解释性差太深的层全连接层之后空间信息已丢失。Transformer尝试最后1-2个块的注意力层或归一化层。也可以对多个层的注意力或特征进行加权平均。通用策略编写一个脚本针对你的模型批量测试不同层生成的热力图选择视觉上最合理、最稳定的那一层。方法选择指南追求简单快速对于标准CNNGrad-CAM是可靠的起点。对于Transformer可先试Attention Rollout。需要更精细、物体级定位尝试Grad-CAM或Score-CAM。模型梯度不稳定或饱和优先考虑Score-CAM或Ablation-CAM等基于前向传播的方法。基础模型/特征解释使用特征空间探针Grad-CAM或直接分析特征相似度图。结果评估与验证定性检查在验证集上人工观察热力图是否聚焦在正确的语义区域。这是最基本也是最重要的验证。定量指标谨慎使用如“删除/插入曲线”Deletion/Insertion Curve或“指向性游戏”Pointing Game。这些指标通过系统性地扰动图像删除或插入高重要性区域并观察模型置信度变化来量化解释的忠实度。但它们计算成本高且本身依赖于一些假设。不要过度解读热力图显示的是模型决策的“相关性”区域不一定是“因果性”区域。它可能捕捉到的是与目标物体共现的背景如草地上的狗。工程集成性能CAM计算涉及额外的反向传播或前向传播在推理时会产生开销。在生产环境中考虑异步生成或仅对关键样本/低置信度样本生成解释。可视化使用清晰的色彩映射如jet或viridis并控制透明度alpha以便与原图叠加。提供类别标签和置信度一起显示。日志与调试将热力图与模型输入、输出、中间特征一起记录便于离线分析和模型调试。安全与伦理不要完全依赖CAM是一种重要的调试和解释工具但不能替代全面的模型评估、公平性审计和安全性测试。防止被误导攻击者可能通过生成对抗性样本Adversarial Examples来制造欺骗性的热力图。在安全关键领域需结合其他可解释性方法和鲁棒性测试。从CNN到Transformer再到Foundation ModelClass Activation Mapping的思想如同一根红线贯穿了可解释性计算机视觉的发展。它从最初依赖特定网络结构GAP的巧技演变为利用梯度信息的通用方法Grad-CAM再适应了基于注意力的新架构Attention Rollout, Transformer Attribution并正在努力应对基础模型带来的多模态、提示化新挑战。作为开发者理解这条演进路径的价值在于它让你不再把CAM看作一个孤立的工具函数而是一套根据模型架构“对症下药”的方法论。当你面对一个新模型时你可以快速判断其核心机制卷积、自注意力、多模态对齐并选择或设计合适的解释策略。下一步你可以深入代码仔细阅读torchcam或captum的源码理解不同方法的具体实现细节。横向对比在同一个任务如图像分类上用同一批图像对比CNN如ResNet、Transformer如ViT和基础模型如CLIP的可视化结果直观感受不同架构“看”世界的方式差异。探索前沿关注如“概念激活向量”Concept Activation Vectors, TCAV、“基于Shapley值的解释”SHAP等其他可解释性方向它们从不同角度补充了CAM的空间注意力视角。可解释性不是终点而是通往更可靠、更可信、更可控AI系统的重要路径。掌握CAM及其演进是你在这条路上迈出的坚实一步。