负载Pretrained网络

加载googlenet网络。

net = googlenet;

分类图像

读取googlenet图像大小。

InputSize = Net.Layers（1）.InputSize（1：2）;

加载Sherlock.jpg.。，这个例子包括金毛猎犬的图像。

img = imread（“sherlock.jpg”）;

将图像调整为网络输入维度。

img = imresize（img，输入）;

对图像进行分类并显示它，以及其分类和分类分数。

[classfn，score] =分类（net，img）;imshow (img);标题（Sprintf（“％s（％.2f）”，classfn，分数（classfn）））;

googlenet正确将图像分类为金毛猎犬。但为什么？图像的特征导致网络进行此分类？

Grad-Cam解释了原因

梯度cam技术利用分类评分相对于最终卷积特征图的梯度，来识别输入图像中对分类评分影响最大的部分。梯度较大的地方正是最终得分最依赖于数据的地方。

这毕业生功能通过针对卷积特征映射获取给定类的减速层输出的衍生来计算重要性图。用于分类任务，毕业生功能自动选择合适的图层以计算重要性映射。您还可以使用该层指定图层“ReductionLayer”和“FeatureLayer”名称值参数。

计算grado - cam map。

地图= gradCAM(网,img, classfn);

在图像的顶部显示grado - cam地图'alphadata'值0.5。这'喷射'Colormap具有深蓝色作为最低值和深红色的最高。

imshow (img);抓住在；图像（地图，'alphadata'，0.5）;COLOROMAP.喷射抓住离开；标题(“Grad-Cam”）;

显然，狗的上表面和耳朵对分类产生了最大的影响。

对于调查深网络分类的原因的不同方法，见咬合敏感和ImageLime.。

参考文献

[1] Selvaraju，R. R.，M. Cogswell，A. Das，R. Vedantam，D. Parikh和D. Batra。“Grad-CAM：通过基于梯度的本地化的深网络视觉解释。“在IEEE国际计算机愿景（ICCV）国际会议中，2017年，第618-626页。可提供Grad-Cam在计算机Vision Foundation Open Access网站上。