pytorch神经网络可视化工具包
flashtorch的Python项目详细描述
手电筒：手电筒：
Pythorch中实现的可视化工具包，用于检查神经网络在图像识别任务（特征可视化）中学习的内容。
这个项目正在进行中，非常感谢您的反馈！
它目前支持torchvision.models下所有可用模型的显著性地图可视化。
安装
$ pip install flashtorch
笔记本示例
图像处理
笔记本：Image handling
显著图
笔记本：Image-specific class saliency map with backpropagation
- 笔记本也可以在Google Colab上使用-这可能是快速玩游戏的最佳方式，因为不需要设置环境！
^人类视觉感知中的{str 1}$Saliency是一种主观质量，它使视野中的某些事物从其他事物中脱颖而出，引起我们的注意。
计算机视觉中的显著性地图提供图像中最显著区域的指示。通过为神经网络创建显著性映射，我们可以对输入图像中网络最关注“”的位置获得一些直觉。
AlexNet可视化
使用flashtorch.saliency模块，让我们可视化AlexNet在ImageNet分类任务上预先训练的图像特定类显著性映射。
大灰猫头鹰（类索引24）： 网络关注的是这只猫头鹰凹陷的眼睛和圆圆的脑袋。
peacock（类索引84）： 但它并不总是关注动物的眼睛和头部。在它的世界观中，使豌豆变成豌豆的是它尾巴上的眼点！
toucan（类索引96）： 而对于一头巨嘴鸟来说，网络正在密切关注它的嘴。
你同意吗？：机器人：
关于迁移学习的标志
在上面的例子中，我们可视化了一个在imagenet上训练过的网络的显著性映射，并使用了它已经知道的对象的图像。
我们可以更进一步地研究当网络被一个新对象呈现时，网络的感知在训练前后是如何变化的。
这次，我将使用DenseNet，它再次在imagenet（1000个类）上进行了预训练，并将其训练成一个花分类器，以识别102种花（dataset）。
在没有额外训练的情况下，通过交换最后一个完全连接的层，模型的性能非常差（0.1%的测试精度）。通过绘制梯度图，我们可以看出网络主要关注的是花的形状。
foxglows例如：
经过训练，该模型的测试精度达到了98.7%。但是为什么？它现在看到的是什么，以前没有看到的是什么？
网络已经学会了将注意力转移到花杯里斑驳的图案上！在它的世界观中，这是关于这个物体最显著的东西，我认为这与我们认为这朵花最独特的特征紧密相关。
手电筒会谈
- Hopperx1 London，2019年6月-slide deck
专题可视化论文
功能可视化简介和概述：Feature Visualization
功能可视化的最新进展：Exploring Neural Networks with Activation Atlases
使用反向传播进行梯度可视化：Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps
灵感
pytorch-cnn-visualizations由utkuozbulak编写
keras-vis作者：拉哈科特
欢迎加入QQ群-->： 979659372
