你的PyTorch模型（CAM、Grad-CAM、Grad-CAM++、Smooth Grad-CAM++、Score-CAM、SS-CAM、IS-CAM、XGrad-CAM、Layer-CAM、Finer-CAM、LeGrad、RefineCAM）的类别激活映射
概览
利用 PyTorch 中卷积层和变换器层的类特定激活的简单方法。 调试一个令人惊讶的分类器结果？使用预测与预期的代理工作流程，给兼容的代理可移植技能，或者从llms.txt开始。 来源：woopets的图片（用预训练的Resnet-18创建激活地图） TorchCAM 利用 PyTorch 的钩子机制，无缝获取所有必要信息，实现类激活，无需用户额外努力。每个 CAM 对象都作为模型的包装器。 你可以在文档中找到支持的CAM方法的详尽列表，然后按以下方式使用： *请注意，默认情况下，CAM检索的层设置为最后一个非约简卷积层。如果您想研究特定层，请在构造子中使用target_layer参数。* 一旦CAM提取器设置好，你只需像往常一样用模型推断数据。
概述（AI 翻译）
TorchCAM：职业激活探索器
英文 |简体中文
解释PyTorch决策：图像分类器、检测器、分割器和VLM的激活映射，以及文本分类器的令牌贡献。
调试一个令人惊讶的分类器结果？使用预测与预期的代理工作流程，在你的编码代理中安装带有npx skills add frgfm/torch-cam的便携技能，或者从llms.txt开始。
来源：woopets的图片（用预训练的Resnet-18创建激活地图）
为什么是火炬CAM（火炬手）
- 12种CAM方法及VLM令牌映射：从CAM和Grad-CAM到LeGrad、RefineCAM和TAM。
- CNNs和视觉变换器：CNN的目标层自动解析，LeGrad的ViT实现重塑变换。
- 超越分类：解释使用相同提取器进行检测、分割掩码和嵌入。
- 文本决策模型：快速
TokenAblation测量每个令牌的效果;TokenIG提供带有数值校验的嵌入集成梯度。两者均返回类别特定的签名映射，包括Laya决策架构。
本页由 AI 翻译，技术细节请以原文为准。
README
以下为原文 README 节选，完整内容请查看原文。
TorchCAM: class activation explorer
English | 简体中文
Explain PyTorch decisions: activation maps for image classifiers, detectors, segmenters and VLMs, and token contributions for text classifiers.
推荐工具
换一个关键词，或者移除筛选条件。
安装
npx skillfish add frgfm/torch-cam