生成用于 CNN 回归模型 Grad-CAM 可视化 PyTorch 代码

以下是一个用于生成 CNN 回归模型 Grad-CAM 可视化的 PyTorch 代码示例：

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import cv2
import numpy as np

class GradCAM:
    def __init__(self, model, target_layer):
        self.model = model
        self.target_layer = target_layer
        self.feature_maps = None
        self.gradients = None
        
    def forward(self, x):
        for name, module in self.model.named_children():
            x = module(x)
            if name == self.target_layer:
                self.feature_maps = x
        return x
    
    def backward(self, target_class):
        one_hot = torch.zeros(self.outputs.size())
        one_hot[0][target_class] = 1
        self.model.zero_grad()
        self.outputs.backward(gradient=one_hot, retain_graph=True)
        self.gradients = self.target_layer.grad.cpu().data.numpy()[0]
        
    def generate(self, x, target_class):
        x = x.unsqueeze(0)
        x = Variable(x, requires_grad=True)
        self.forward(x)
        self.backward(target_class)
        weights = np.mean(self.gradients, axis=(1,2))
        cam = np.zeros(self.feature_maps.shape[1:], dtype=np.float32)
        for i, w in enumerate(weights):
            cam += w * self.feature_maps[i, :, :]
        cam = np.maximum(cam, 0)
        cam = cv2.resize(cam, x.shape[2:])
        cam = cam - np.min(cam)
        cam = cam / np.max(cam)
        return cam

这个 GradCAM 类可以生成用于 CNN 回归模型 Grad-CAM 可视化的热力图。使用时，需要将目标 CNN 模型和目标层名称传递给 GradCAM 类的构造函数。然后，可以使用 forward() 方法计算特征映射，使用 backward() 方法计算梯度，最后使用 generate() 方法生成 Grad-CAM 可视化。

需要注意的是，示例代码中使用的目标 CNN 模型是一个简单的分类模型，因此需要根据实际情况进行修改。此外，还需要根据实际情况调整输入图像的大小和目标类别。