作业：对比不同卷积层热图可视化的结果
核心差异总结
-
浅层卷积层（如第 1-3 层）
- 关注细节：聚焦输入图像的边缘、纹理、颜色块等基础特征（例：猫脸的胡须边缘、树叶的脉络）。
- 热图特点：区域小而分散，高激活区域多为局部细节，分辨率接近原图。
-
中层卷积层（如第 4-6 层）
- 关注局部组合：提取形状、部件组合等中级特征（例：猫的耳朵轮廓、椅子的椅腿结构）。
- 热图特点：区域稍大，激活区域开始整合局部信息，分辨率略降低。
-
深层卷积层（如第 7 层及以上）
- 关注全局语义：聚焦目标整体、类别核心特征（例：整只猫的轮廓、“椅子” 的整体结构）。
- 热图特点：区域更大且集中，高激活区域覆盖目标主体，分辨率较低但语义更明确。
import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np# 加载预训练VGG16（仅取卷积层，去掉全连接）
model = models.vgg16(pretrained=True).features.eval() # .features包含44层卷积+池化
# 图像预处理（适配VGG输入要求）
transform = transforms.Compose([transforms.Resize((224, 224)), # 调整尺寸transforms.ToTensor(), # 转Tensortransforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 标准化
])def generate_heatmap(image_path, layer_indices):# 读取图像并预处理img = Image.open(image_path).convert('RGB')input_tensor = transform(img).unsqueeze(0) # 增加batch维度 [1, 3, 224, 224]# 注册各层钩子，获取特征图features = {}def hook(module, input, output):features[module.__class__.__name__ + str(layer_idx)] = output.detach() # 保存特征图heatmaps = []for layer_idx in layer_indices:# 注册当前层钩子handle = model[layer_idx].register_forward_hook(hook)# 前向传播_ = model(input_tensor)handle.remove() # 移除钩子，避免重复注册# 提取特征图并生成热图feat_map = features[model[layer_idx].__class__.__name__ + str(layer_idx)]feat_map = feat_map.squeeze(0).cpu().numpy() # 维度：[C, H, W]# 对通道维度求平均（简单可视化，也可取最大激活通道）heatmap = np.mean(feat_map, axis=0)# 归一化到0-1heatmap = (heatmap - heatmap.min()) / (heatmap.max() - heatmap.min() + 1e-8)heatmaps.append(heatmap)return heatmaps# 图层索引（VGG16的卷积层索引：0, 2, 5, 7, 10, 12, 14, 17, 19, 21, 24, 26, 28, 31, 33, 35）
layer_indices = [0, 10, 20] # 浅层（第1卷积层）、中层（第10层）、深层（第20层）
image_path = "test_image.jpg" # 替换为你的图片路径# 生成热图
heatmaps = generate_heatmap(image_path, layer_indices)# 可视化对比
plt.figure(figsize=(12, 8))
for i, heatmap in enumerate(heatmaps):plt.subplot(1, 3, i+1)plt.imshow(heatmap, cmap='jet')plt.title(f"Layer {layer_indices[i]}")plt.axis('off')
plt.show()
@浙大疏锦行
)
