DAY 47 注意力熱圖可視化

昨天代碼中注意力熱圖的部分順移至今天

知識點回顧：熱力圖（代碼學習在day46天）

作業：對比不同卷積層熱圖可視化的結果

通道注意力熱圖的代碼整體結構與核心功能

• 數據處理：對 CIFAR-10 數據集進行加載、預處理和增強
• 模型構建：基于 CNN 架構并集成通道注意力模塊（SE）
• 訓練過程：包含損失記錄、準確率評估和學習率調度
• 可視化：特征圖和注意力熱力圖的可視化分析
• 優化策略：早停機制和模型保存
• 網絡結構：3 個卷積塊（每層含卷積 + 批歸一化 + 激活 + 注意力 + 池化），2 個全連接層
• 注意力集成：在每個卷積塊后插入 SE 模塊，對該層特征圖進行通道加權

在引入注意力后，可以發現：

1. 上圖↑ 進行特征逐層抽象：從“看得見的細節”（conv1）→ “局部結構”（conv2）→ “類別相關的抽象模式”（conv3），模型通過這種方式實現從“看圖像”到“理解語義”的跨越。

2.引入注意力后

這個注意力熱圖是通過構子機制： `register_forward_hook` 捕獲最后一個卷積層（`conv3`）的輸出特征圖。 ?
? 1. 通道權重計算：對特征圖的每個通道進行全局平均池化，得到通道重要性權重。 ?
? 2. 熱力圖生成：將高權重通道的特征圖縮放至原始圖像尺寸，與原圖疊加顯示。

熱力圖（紅色表示高關注，藍色表示低關注）半透明覆蓋在原圖上。主要從以下方面理解：

- **高關注區域**（紅色）：模型認為對分類最重要的區域。 ?
? 例如： ?
? - 在識別“狗”時，熱力圖可能聚焦狗的面部、身體輪廓或特征性紋理。 ?
? - 若熱力圖錯誤聚焦背景（如紅色區域在無關物體上），可能表示模型過擬合或訓練不足。

**多通道對比**
- **不同通道關注不同特征**： ?
? 例如： ?
? - 通道1可能關注整體輪廓，通道2關注紋理細節，通道3關注顏色分布。 ?
? - 結合多個通道的熱力圖，可全面理解模型的決策邏輯。

可以幫助解釋
? ?- 檢查模型是否關注正確區域（如識別狗時，是否聚焦狗而非背景）。 ?
? ?- 發現數據標注問題（如標簽錯誤、圖像噪聲）。
? ?- 向非技術人員解釋模型決策依據（如“模型認為這是狗，因為關注了2q眼睛和嘴巴”）。
@浙大疏錦行