DAY47打卡

DAY 47 注意力热图可视化

昨天代码中注意力热图的部分顺移至今天

知识点回顾：热力图（代码学习在day46天）

作业：对比不同卷积层热图可视化的结果

通道注意力热图的代码整体结构与核心功能

• 数据处理：对 CIFAR-10 数据集进行加载、预处理和增强
• 模型构建：基于 CNN 架构并集成通道注意力模块（SE）
• 训练过程：包含损失记录、准确率评估和学习率调度
• 可视化：特征图和注意力热力图的可视化分析
• 优化策略：早停机制和模型保存
• 网络结构：3 个卷积块（每层含卷积 + 批归一化 + 激活 + 注意力 + 池化），2 个全连接层
• 注意力集成：在每个卷积块后插入 SE 模块，对该层特征图进行通道加权

在引入注意力后，可以发现：

1. 上图↑ 进行特征逐层抽象：从“看得见的细节”（conv1）→ “局部结构”（conv2）→ “类别相关的抽象模式”（conv3），模型通过这种方式实现从“看图像”到“理解语义”的跨越。

2.引入注意力后

这个注意力热图是通过构子机制： `register_forward_hook` 捕获最后一个卷积层（`conv3`）的输出特征图。  
  1. 通道权重计算：对特征图的每个通道进行全局平均池化，得到通道重要性权重。  
  2. 热力图生成：将高权重通道的特征图缩放至原始图像尺寸，与原图叠加显示。

热力图（红色表示高关注，蓝色表示低关注）半透明覆盖在原图上。主要从以下方面理解：

- **高关注区域**（红色）：模型认为对分类最重要的区域。  
  例如：  
  - 在识别“狗”时，热力图可能聚焦狗的面部、身体轮廓或特征性纹理。  
  - 若热力图错误聚焦背景（如红色区域在无关物体上），可能表示模型过拟合或训练不足。

**多通道对比**
- **不同通道关注不同特征**：  
  例如：  
  - 通道1可能关注整体轮廓，通道2关注纹理细节，通道3关注颜色分布。  
  - 结合多个通道的热力图，可全面理解模型的决策逻辑。

可以帮助解释
   - 检查模型是否关注正确区域（如识别狗时，是否聚焦狗而非背景）。  
   - 发现数据标注问题（如标签错误、图像噪声）。
   - 向非技术人员解释模型决策依据（如“模型认为这是狗，因为关注了2q眼睛和嘴巴”）。
@浙大疏锦行