前言
CAM热力图系列算法
- 【A】安装配置环境
- 【B】 torchcam命令行
- 【C1】Pytorch预训练ImageNet图像分类-单张图像
- 【C2】 Pytorch预训练lmageNet图像分类-视频文件
- 【C3】 Pytorch预训练ImageNet图像分类-摄像头实时画面-
- 【D1】自己训练的水果分类模型-单张图像.
- 【D2】自己训练的水果分类模型-视频文件
- 【D3】自己训练的水果分类模型-摄像头实时画面
Deep Feature Factorization
- 【D1】基于DFF的图像子区域可解释性分...
- 【D2】基于DFF的图像子区域可解释性分...
Captum工具包
shap工具包
lime工具包
总结

前言

不知道这个与可解释机器学习的关联有多大，因为在学习可解释性机器学习也学过这部分内容：CAM热力图系列算法、Deep Feature Factorization、Captum工具包、shap工具包、lime工具包。
感觉确实之前的课程讲的细致一些就可解释性上，不过也可能没啥可比性，之前可解释性机器学习是基于论文来实战，这个课程是基于之前的实战过程来实战。

CAM热力图系列算法

这次换个形式学，不想搞代码了，和之前的代码内容差不多

【A】安装配置环境

直接运行代码
下载安装Pytorch
下载安装mmcv-full
下载中文字体
下载ImageNet-1000类别信息
创建目录
安装torchcam
重启kernel
设置matplotlib中文字体（可测试）

强调部分对比于[Pytorch图像分类全流程实战]Task04:新图片、新视频预测迁徙学习得到的30类水果图像分类模型

存放测试图片
存放训练得到的模型权重
下载阳历模型文件
下载类别名称和 ID索引号的映射字典
下载测试图像文件至 test_img 文件夹
下载测试视频文件至 test_img 文件夹

而在[Pytorch图像分类全流程实战]Task03:迁移学习微调中，强调部分为

存放结果文件
存放训练得到的模型权重
存放生成的图表

【B】 torchcam命令行

通过命令行方式使用torchcam算法库，对图像进行各种基于CAM的可解释性分析。
这里最重要的是掌握命令行操作
人工notebook，傻瓜操作。

导入工具包

import osimport pandas as pdfrom PIL import Image

命令行基本用法

!python torch-cam/scripts/cam_example.py --help

ImageNet预训练图像分类模型

# ImageNet1000类别名称与ID号
df = pd.read_csv('imagenet_class_index.csv')

图中只有一个类别

# 类别-边牧犬
!python torch-cam/scripts/cam_example.py \--img test_img/border-collie.jpg \--savefig output/B1_border_collie.jpg \--arch resnet18 \--class-idx 232 \--rows 2Image.open('output/B1_border_collie.jpg')

图中有多个类别

# 类别-虎斑猫
!python torch-cam/scripts/cam_example.py \--img test_img/cat_dog.jpg \--savefig output/B2_cat_dog.jpg \--arch resnet18 \--class-idx 282 \--rows 2Image.open('output/B2_cat_dog.jpg')

# 类别-边牧犬
!python torch-cam/scripts/cam_example.py \--img test_img/cat_dog.jpg \--savefig output/B3_cat_dog.jpg \--arch resnet18 \--class-idx 232 \--rows 2Image.open('output/B3_cat_dog.jpg')

【C1】Pytorch预训练ImageNet图像分类-单张图像

通过Python API方式，使用torchcam算法库，对Pytorch预训练ImageNet-1000图像分类模型进行基于CAM的可解释性分析。

导入工具包
导入pillow中文字体
导入lmageNet预训练模型
导入可解释性分析方法
预处理

运行图像分类预测

img_path = 'test_img/cat_dog.jpg'img_pil = Image.open(img_path)
input_tensor = test_transform(img_pil).unsqueeze(0).to(device) # 预处理input_tensor.shape #torch.Size([1, 3, 224, 224])pred_logits = model(input_tensor)
pred_top1 = torch.topk(pred_logits, 1)
pred_id = pred_top1[1].detach().cpu().numpy().squeeze().item()pred_id #282

生成可解释分析热力图

activation_map = cam_extractor(pred_id, pred_logits)activation_map = activation_map[0][0].detach().cpu().numpy()activation_map.shape
#(7, 7)

可视化

plt.imshow(activation_map)
plt.show()

from torchcam.utils import overlay_maskresult = overlay_mask(img_pil, Image.fromarray(activation_map), alpha=0.7)print(result)

整理代码：设置类别、中文类别显示
需要载入lmageNet 1000图像分类标签:lmageNet 1000类别中文释义

import pandas as pd
df = pd.read_csv('imagenet_class_index.csv')
idx_to_labels = {}
idx_to_labels_cn = {}
for idx, row in df.iterrows():idx_to_labels[row['ID']] = row['class']idx_to_labels_cn[row['ID']] = row['Chinese']
img_path = 'test_img/cat_dog.jpg'# 可视化热力图的类别ID，如果为 None，则为置信度最高的预测类别ID
show_class_id = 231
# show_class_id = None# 是否显示中文类别
Chinese = True
# Chinese = False# 前向预测
img_pil = Image.open(img_path)
input_tensor = test_transform(img_pil).unsqueeze(0).to(device) # 预处理
pred_logits = model(input_tensor)
pred_top1 = torch.topk(pred_logits, 1)
pred_id = pred_top1[1].detach().cpu().numpy().squeeze().item()# 可视化热力图的类别ID，如果不指定，则为置信度最高的预测类别ID
if show_class_id:show_id = show_class_id
else:show_id = pred_idshow_class_id = pred_id# 生成可解释性分析热力图
activation_map = cam_extractor(show_id, pred_logits)
activation_map = activation_map[0][0].detach().cpu().numpy()
result = overlay_mask(img_pil, Image.fromarray(activation_map), alpha=0.7)# 在图像上写字
draw = ImageDraw.Draw(result)if Chinese:# 在图像上写中文text_pred = 'Pred Class: {}'.format(idx_to_labels_cn[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels_cn[show_class_id])
else:# 在图像上写英文text_pred = 'Pred Class: {}'.format(idx_to_labels[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels[show_class_id])
# 文字坐标，中文字符串，字体，rgba颜色
draw.text((50, 100), text_pred, font=font, fill=(255, 0, 0, 1))
draw.text((50, 200), text_show, font=font, fill=(255, 0, 0, 1))print(result)

【C2】 Pytorch预训练lmageNet图像分类-视频文件

导入工具包
导入pillow中文字体
导入ImageNet预训练模型
载入ImageNet 1000图像分类标签
导入可解释性分析方法
预处理

图像分类预测函数

def pred_single_frame(img, show_class_id=None, Chinese=True):'''输入摄像头画面bgr-array和用于绘制热力图的类别ID，输出写字的热力图PIL-Image如果不指定类别ID，则为置信度最高的预测类别ID'''img_bgr = imgimg_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # BGR 转 RGBimg_pil = Image.fromarray(img_rgb) # array 转 pilinput_tensor = test_transform(img_pil).unsqueeze(0).to(device) # 预处理pred_logits = model(input_tensor) # 执行前向预测，得到所有类别的 logit 预测分数pred_top1 = torch.topk(pred_logits, 1)pred_id = pred_top1[1].detach().cpu().numpy().squeeze().item()# 可视化热力图的类别ID，如果为 None，则为置信度最高的预测类别IDif show_class_id:show_id = show_class_idelse:show_id = pred_idshow_class_id = pred_id# 生成可解释性分析热力图activation_map = cam_extractor(show_id, pred_logits)activation_map = activation_map[0][0].detach().cpu().numpy()result = overlay_mask(img_pil, Image.fromarray(activation_map), alpha=0.7)# 在图像上写字draw = ImageDraw.Draw(result)if Chinese:# 在图像上写中文text_pred = 'Pred Class: {}'.format(idx_to_labels_cn[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels_cn[show_class_id])else:# 在图像上写英文text_pred = 'Pred Class: {}'.format(idx_to_labels[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels[show_class_id])# 文字坐标，中文字符串，字体，rgba颜色draw.text((50, 100), text_pred, font=font, fill=(255, 0, 0, 1))draw.text((50, 200), text_show, font=font, fill=(255, 0, 0, 1))return result

视频预测
– 输入输出视频路径

input_video = 'test_img/room_video.mp4'

– 创建临时文件夹

# 创建临时文件夹，存放每帧结果
temp_out_dir = time.strftime('%Y%m%d%H%M%S')
os.mkdir(temp_out_dir)
print('创建文件夹 {} 用于存放每帧预测结果'.format(temp_out_dir))

– 视频逐帧预测

# 读入待预测视频
imgs = mmcv.VideoReader(input_video)prog_bar = mmcv.ProgressBar(len(imgs))# 对视频逐帧处理
for frame_id, img in enumerate(imgs):## 处理单帧画面img = pred_single_frame(img, show_class_id=None)# 将处理后的该帧画面图像文件，保存至 /tmp 目录下img.save(f'{temp_out_dir}/{frame_id:06d}.jpg', "BMP")prog_bar.update() # 更新进度条# 把每一帧串成视频文件
mmcv.frames2video(temp_out_dir, 'output/output_pred.mp4', fps=imgs.fps, fourcc='mp4v')shutil.rmtree(temp_out_dir) # 删除存放每帧画面的临时文件夹
print('删除临时文件夹', temp_out_dir)

【C3】 Pytorch预训练ImageNet图像分类-摄像头实时画面-

导入工具包
导入中文字体
导入ImageNet预训练模型
载入ImageNet 1000图像分类标签
导入可解释性分析方法
预处理
获取摄像头的一帧画面

# 导入opencv-python
import cv2
import time# 获取摄像头，传入0表示获取系统默认摄像头
cap = cv2.VideoCapture(1)# 打开cap
cap.open(0)time.sleep(1)success, img_bgr = cap.read()# 关闭摄像头
cap.release()# 关闭图像窗口
cv2.destroyAllWindows()img_bgr.shape
#(720, 1280, 3)img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # BGR转RGBimg_pil = Image.fromarray(img_rgb)print(img_pil)# 可视化热力图的类别ID，如果为 None，则为置信度最高的预测类别ID
show_class_id = 587
# show_class_id = None# 是否显示中文类别
Chinese = True
# Chinese = False# 前向预测
input_tensor = test_transform(img_pil).unsqueeze(0).to(device) # 预处理
pred_logits = model(input_tensor)
pred_top1 = torch.topk(pred_logits, 1)
pred_id = pred_top1[1].detach().cpu().numpy().squeeze().item()# 可视化热力图的类别ID，如果不指定，则为置信度最高的预测类别ID
if show_class_id:show_id = show_class_id
else:show_id = pred_idshow_class_id = pred_id# 生成可解释性分析热力图（主要耗时部分）
activation_map = cam_extractor(show_id, pred_logits)
activation_map = activation_map[0][0].detach().cpu().numpy()
result = overlay_mask(img_pil, Image.fromarray(activation_map), alpha=0.7)# 在图像上写字
draw = ImageDraw.Draw(result)if Chinese:# 在图像上写中文text_pred = 'Pred Class: {}'.format(idx_to_labels_cn[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels_cn[show_class_id])
else:# 在图像上写英文text_pred = 'Pred Class: {}'.format(idx_to_labels[pred_id])text_show = 'Show Class: {}'.format(idx_to_labels[show_class_id])
# 文字坐标，中文字符串，字体，rgba颜色
draw.text((50, 100), text_pred, font=font, fill=(255, 0, 0, 1))
draw.text((50, 200), text_show, font=font, fill=(255, 0, 0, 1))print(result)

图像分类预测函数（这里函数名为process_frame）

调用摄像头获取每帧（模板)

# 调用摄像头逐帧实时处理模板
# 不需修改任何代码，只需修改process_frame函数即可
# 同济子豪兄 2021-7-8# 导入opencv-python
import cv2
import time# 获取摄像头，传入0表示获取系统默认摄像头
cap = cv2.VideoCapture(1)# 打开cap
cap.open(0)# 无限循环，直到break被触发
while cap.isOpened():# 获取画面success, frame = cap.read()if not success:print('Error')break## !!!处理帧函数# frame = process_frame(frame)frame = process_frame(frame, show_class_id=999) # 卫生纸# 展示处理后的三通道图像cv2.imshow('my_window',frame)if cv2.waitKey(1) in [ord('q'),27]: # 按键盘上的q或esc退出（在英文输入法下）break# 关闭摄像头
cap.release()# 关闭图像窗口
cv2.destroyAllWindows()

【D1】自己训练的水果分类模型-单张图像.

设置matplotlib中文字体
导入工具包
导入训练好的Pytorch模型

这些训练好的模型老师好像没给

model = torch.load('checkpoint/fruit30_pytorch_20220814.pth')
model = model.eval().to(device)

导入可解释性分析方法
预处理
运行图像分类预测
生成可解释性分析热力图
可视化
载入类别名称和索引号映射字典
```
idx_to_labels = np.load('idx_to_labels.npy', allow_pickle=True).item()
labels_to_idx = np.load('labels_to_idx.npy', allow_pickle=True).item()
print(idx_to_labels)
```
{0: ‘哈密瓜’,
, 1: ‘圣女果’,
, 2: ‘山竹’,
, 3: ‘杨梅’,
, 4: ‘柚子’,
, 5: ‘柠檬’,
, 6: ‘桂圆’,
, 7: ‘梨’,
, 8: ‘椰子’,
, 9: ‘榴莲’,
, 10: ‘火龙果’,
, 11: ‘猕猴桃’,
, 12: ‘石榴’,
, 13: ‘砂糖橘’,
, 14: ‘胡萝卜’,
, 15: ‘脐橙’,
, 16: ‘芒果’,
, 17: ‘苦瓜’,
, 18: ‘苹果-红’,
, 19: ‘苹果-青’,
, 20: ‘草莓’,
, 21: ‘荔枝’,
, 22: ‘菠萝’,
, 23: ‘葡萄-白’,
, 24: ‘葡萄-红’,
, 25: ‘西瓜’,
, 26: ‘西红柿’,
, 27: ‘车厘子’,
, 28: ‘香蕉’,
, 29: ‘黄瓜’}
```
print(labels_to_idx)
```
{‘哈密瓜’: 0,
, ‘圣女果’: 1,
, ‘山竹’: 2,
, ‘杨梅’: 3,
, ‘柚子’: 4,
, ‘柠檬’: 5,
, ‘桂圆’: 6,
, ‘梨’: 7,
, ‘椰子’: 8,
, ‘榴莲’: 9,
, ‘火龙果’: 10,
, ‘猕猴桃’: 11,
, ‘石榴’: 12,
, ‘砂糖橘’: 13,
, ‘胡萝卜’: 14,
, ‘脐橙’: 15,
, ‘芒果’: 16,
, ‘苦瓜’: 17,
, ‘苹果-红’: 18,
, ‘苹果-青’: 19,
, ‘草莓’: 20,
, ‘荔枝’: 21,
, ‘菠萝’: 22,
, ‘葡萄-白’: 23,
, ‘葡萄-红’: 24,
, ‘西瓜’: 25,
, ‘西红柿’: 26,
, ‘车厘子’: 27,
, ‘香蕉’: 28,
, ‘黄瓜’: 29}
整理代码

【D2】自己训练的水果分类模型-视频文件

导入工具包
导入pillow中文字体

载入类别

idx_to_labels_cn = np.load('idx_to_labels.npy', allow_pickle=True).item()

导入训练好的模型
导入可解释性分析方法
预处理
图像分类预测函数
视频预测
– 输入输出视频路径
– 创建临时文件夹
– 视频逐帧预测

【D3】自己训练的水果分类模型-摄像头实时画面

导入工具包
导入中文字体
导入训练好的模型
载入类别
导入可解释性分析方法
预处理
获取摄像头的一帧画面
图像分类预测函数
调用摄像头获取每帧（模板)

Deep Feature Factorization

对单张图像，进行Deep Feature Factorization可解释性分析，展示Concept Discovery概念发现图。

【D1】基于DFF的图像子区域可解释性分…

导入工具包
预处理函数
载入模型
载入测试图像
预处理

img, rgb_img_float, input_tensor = get_image_from_path(img_path)img.shape #(1560, 2340, 3)input_tensor.shape #torch.Size([1, 3, 1560, 2340])

初始化DFF算法

classifier = model.fcdff = DeepFeatureFactorization(model=model, target_layer=model.layer4, computation_on_concepts=classifier)# concept个数（图块颜色个数）
n_components = 5concepts, batch_explanations, concept_outputs = dff(input_tensor, n_components)concepts.shape #(2048, 5)

图像中每个像素对应的concept热力图

# concept个数 x 高 x 宽
batch_explanations[0].shape #(5, 1560, 2340)plt.imshow(batch_explanations[0][4])
plt.show()

- concept与类别的关系

```python
concept_outputs.shape #(5, 1000)concept_outputs = torch.softmax(torch.from_numpy(concept_outputs), axis=-1).numpy()    concept_outputs.shape #(5, 1000)
```

每个concept展示前top_k个类别

# 每个概念展示几个类别
top_k = 2concept_label_strings = create_labels(concept_outputs, top_k=top_k)print(concept_label_strings)

[‘hip:0.09\nchime:0.08’,
, ‘sloth_bear:0.33\nskunk:0.13’,
, ‘wood_rabbit:0.05\nhare:0.04’,
, ‘Egyptian_cat:0.02\ntabby:0.02’,
, ‘wombat:0.09\nbadger:0.07’]

生成可视化效果
封装函数
这段并不能直接运行

def dff_show(img_path='test_img/cat_dog.jpg', n_components=5, top_k=2, hstack=False):img, rgb_img_float, input_tensor = get_image_from_path(img_path)dff = DeepFeatureFactorization(model=model, target_layer=model.layer4, computation_on_concepts=classifier)concepts, batch_explanations, concept_outputs = dff(input_tensor, n_components)concept_outputs = torch.softmax(torch.from_numpy(concept_outputs), axis=-1).numpy()concept_label_strings = create_labels(concept_outputs, top_k=top_k)visualization = show_factorization_on_image(rgb_img_float, batch_explanations[0],image_weight=0.3, # 原始图像透明度concept_labels=concept_label_strings)if hstack:result = np.hstack((img, visualization))else:result = visualizationdisplay(Image.fromarray(result))dff_show()dff_show(hstack=True)dff_show(img_path='test_img/box_tabby.png', hstack=True)dff_show(img_path='test_img/bear.jpeg', hstack=True)dff_show(img_path='test_img/bear.jpeg', n_components=10, top_k=1, hstack=True)dff_show(img_path='test_img/giraffe_zebra.jpg', n_components=5, top_k=2, hstack=True)

【D2】基于DFF的图像子区域可解释性分…

导入工具包
预处理函数

from torchvision import transforms# 测试集图像预处理-RCTN：缩放、裁剪、转 Tensor、归一化
test_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])def get_image_from_path(img_path):'''输入图像文件路径，输出 图像array、归一化图像array、预处理后的tensor'''img = np.array(Image.open(img_path))rgb_img_float = np.float32(img) / 255input_tensor = preprocess_image(rgb_img_float,mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])return img, rgb_img_float, input_tensordef create_labels(concept_scores, top_k=2):""" Create a list with the image-net category names of the top scoring categories"""labels = {0:'Hami Melon',1:'Cherry Tomatoes',2:'Shanzhu',3:'Bayberry',4:'Grapefruit',5:'Lemon',6:'Longan',7:'Pears',8:'Coconut',9:'Durian',10:'Dragon Fruit',11:'Kiwi',12:'Pomegranate',13:'Sugar orange',14:'Carrots',15:'Navel orange',16:'Mango',17:'Balsam pear',18:'Apple Red',19:'Apple Green',20:'Strawberries',21:'Litchi',22:'Pineapple',23:'Grape White',24:'Grape Red',25:'Watermelon',26:'Tomato',27:'Cherts',28:'Banana',29:'Cucumber'}concept_categories = np.argsort(concept_scores, axis=1)[:, ::-1][:, :top_k]concept_labels_topk = []for concept_index in range(concept_categories.shape[0]):categories = concept_categories[concept_index, :]    concept_labels = []for category in categories:score = concept_scores[concept_index, category]label = f"{labels[category].split(',')[0]}:{score:.2f}"concept_labels.append(label)concept_labels_topk.append("\n".join(concept_labels))return concept_labels_topk

载入模型
载入测试图像
预处理
初始化DFF算法
图像中每个像素对应的concept热力图
concept与类别的关系
每个concept展示前top_k个类别
生成可视化效果
封装函数

Captum工具包

shap工具包

lime工具包

后面这三看之前的文章，或者明天按前面的方法再次整理
LIME、shap代码实战

【代码实战】CAM、Captum

总结

1.CAM热力图算法：对Pytorch预训练ImageNet图像分类模型，和自己训练得到的水果图像分类模型，通过各种CAM类激活热力图方法，进行可解释性分析和显著性分析。
使用torch-cam工具包、pytorch-grad-cam工具包，在单张图像、视频文件、摄像头实时画面上绘制CAM热力图，观察神经网络预测指定类别时的“脑回路”和“注意力”，剖析深度学习黑箱子，知其然也知其所以然。

2.Deep Feature Factorization：把卷积神经网络中间层输出，通过NMF非负矩阵分解，分解为两个矩阵。对应N个concept概念，得到channel与concept的对应关系、激活值与concept的对应关系。进而分析输入图像不同区域对应的concept概念，及这些concept概念伴随的类别语义。
在原始输入图像上，用不同颜色的色块代表不同concept概念对应的区域，即可对图像分类深度学习模型进行可解释性分析和显著性分析。

3.Captum工具包：对Pytorch预训练ImageNet图像分类模型，和自己训练得到的水果图像分类模型，通过遮挡、像素梯度等方法，进行可解释性分析和显著性分析。
使用Meta开源的Captum工具包，基于遮挡敏感性分析、Integrated Gradients、GradientShap、Feature Ablation等可解释性分析方法，观察神经网络预测指定类别时的“脑回路”和“注意力”，剖析深度学习黑箱子，知其然也知其所以然。

4.shap工具包：基于博弈论的Shapley值实现机器学习可解释性分析，计算每个数据、每个特征，对模型每类预测结果的Shapley值，反映边际贡献。对Pytorch预训练ImageNet图像分类模型、自己训练得到的30类水果图像分类模型，进行可解释性分析，可视化指定预测类别的shap值热力图。

5.lime工具包：基于LIME可解释性分析方法，对UCI葡萄酒质量二分类数据集、Pytorch预训练ImageNet图像分类模型、自己训练的30类水果图像分类模型进行可解释性分析。定量评估出某个样本、某个特征（图块），对模型预测为某个类别的贡献影响。

[Pytorch图像分类全流程实战]Task06:可解释性分析相关推荐

(202301)pytorch图像分类全流程实战Task1：构建自己的图像分类数据集
任务一要求:构建自己的图像分类数据集对于datawhale的开源学习计划,我眼馋很久了,只是之前在学校,不敢轻易尝试.此次寒假终于能够克服畏难情绪进行尝试,终归是有所进步的. 第一个任务即是构建自己 ...
【AI Studio】飞桨图像分类零基础训练营 - 0456 - 图像分类竞赛全流程实战
前言:因为两课讲的一个比赛内容(课程里也没分页),所以我把笔记也合在一起.而且也是因为老师讲得很飘,所以我感觉我想记的东西估计不多吧.因为大部分都是新概念,所以我自己也没什么全新的理解,基本都是复制粘 ...
Windows下显卡支持的cuda及配套GPU版本pytorch下载全流程（2022.03.27）
Windows下显卡支持的cuda及配套GPU版本pytorch下载全流程(2022.03.27) 一.更新电脑显卡驱动(以mx150为例) 1.打开英伟达驱动下载官网:https://www.nvi ...
Unity手机游戏开发：从搭建到发布上线全流程实战
前言: 技术书籍是学习技术知识的重要资源之一.读技术书可以帮助我们学习新技能和知识,技术书籍提供了可靠的.全面的信息,帮助我们快速学习新技能和知识.同时技术书籍有助于保持你的竞争力,因为它们提供了最新 ...
运放-滞回（迟滞）比较器全流程实战计算
比较器之滞回(迟滞)比较器实战计算下面我们进行一个电池低电压保护的电路设计,其中会介绍到滞回比较器的实际用法以及详细计算推导过程. 假设我们定18.5V为电池欠压保护电压,也就是说在当前负载情况下电 ...
Kaggle-猫狗图像分类全流程实践（支持迁移学习和其他分类任务迁移）
1.insatll environment|安装环境 !pip install torchtoolbox !pip install torchsummary 2.import package|导入三方 ...
热门项目：高精度图像分类全流程开发
常听技术大佬侃侃而谈AI模型开发,小白不知从何开始? 自动驾驶车辆分割.智慧农业小麦计数.智能硬件垃圾分拣.智慧城市交通流量.结构化文字识别模型定制,这些在视觉.机器学习.OCR等领域具备广泛应用前景 ...
【配置】Ubuntu上配置pytorch图文全流程（包括探索过程）
文章目录预备使用conda创建虚拟环境激活(切换)虚拟环境开始调研问题探索查看本机已有cuda版本去官网下载pytorch需要的版本安装cuda结束继续安装pytorch 结束 ...
真香啊，一文讲透金融风控建模全流程(Python)
信贷风控是数据挖掘算法最成功的应用之一,这在于金融信贷行业的数据量很充足,需求场景清晰及丰富. 信贷风控简单来说就是判断一个人借了钱后面(如下个月的还款日)会不会按期还钱.更专业来说,信贷风控是还款能 ...

[Pytorch图像分类全流程实战]Task06:可解释性分析

目录

前言