pytorch_grad_cam 库学习笔记——基类ActivationsAndGradient

pytorch_grad_cam 是一个包含用于计算机视觉的可解释 AI 的最先进方法的软件包。 这可用于诊断模型预测，无论是在生产中还是在 开发模型。 其目的还在于作为研究新可解释性方法的算法和指标的基准。
pytorch_grad_cam 官方源码 https://github.com/jacobgil/pytorch-grad-cam
pytorch_grad_cam 官方教程 https://jacobgil.github.io/pytorch-gradcam-book/introduction.html
在./pytorch-grad-cam/pytorch_grad_cam/activations_and_gradients.py里定义了名为ActivationsAndGradients的基类，是实现类激活映射（CAM）算法的核心组件之一，其主要功能是利用 PyTorch 的 Hook 机制，在模型的前向和反向传播过程中，捕获指定目标层（target_layers）的激活值（activations）和梯度（gradients）。
本篇文章主要在这里对基类ActivationsAndGradients进行逐步分析，以理解库函数原理。

ActivationsAndGradients 类

ActivationsAndGradients 类是实现类激活映射（CAM）算法的核心组件之一，其主要功能是利用 PyTorch 的 Hook 机制，在模型的前向和反向传播过程中，捕获指定目标层（target_layers）的激活值（activations）和梯度（gradients）。
以下是该类的详细解析：

1. init(self, model, target_layers, reshape_transform, detach=True)

class ActivationsAndGradients:""" Class for extracting activations andregistering gradients from targetted intermediate layers """def __init__(self, model, target_layers, reshape_transform, detach=True):self.model = modelself.gradients = []self.activations = []self.reshape_transform = reshape_transformself.detach = detachself.handles = []for target_layer in target_layers:self.handles.append(target_layer.register_forward_hook(self.save_activation))# Because of https://github.com/pytorch/pytorch/issues/61519,# we don't use backward hook to record gradients.self.handles.append(target_layer.register_forward_hook(self.save_gradient))

功能：初始化 ActivationsAndGradients 实例。

参数：

• model: 要分析的 PyTorch 模型。
• target_layers: 一个包含目标 torch.nn.Module 层的列表（如 model.layer4 或 model.features）。这些层的激活和梯度将被捕获。
• reshape_transform: 一个可选的函数，用于重塑激活和梯度。这在处理某些模型（如 Vision Transformers）时非常关键，因为它们的特征图形状（如 [batch, num_patches, features]）与标准卷积网络的 [batch, channels, height, width] 不同，需要转换以便后续处理。
• detach: 布尔值。如果为 True，则在捕获后将激活和梯度从计算图中分离（detach()）并转移到 CPU。这可以节省 GPU 内存，并防止意外的梯度累积。如果为 False，则保留原始的张量（在 GPU 上且与计算图相连）。

关键操作：

1. 初始化存储列表：self.gradients = [] 和 self.activations = []。
2. 初始化 self.handles = [] 以存储注册的 Hook 句柄，便于后续移除。
3. 注册 Hook：

• 为 target_layers 中的每一个层，调用 register_forward_hook(self.save_activation)。这会在该层的前向传播结束后，自动调用 save_activation 方法，捕获其输出（即激活值）。
• 为同一个层，再次调用 register_forward_hook(self.save_gradient)。注意：这里没有使用 register_backward_hook。注释中提到了一个 PyTorch 的 issue (#61519)，暗示使用后向 Hook 可能存在问题。因此，这里采用了另一种方法：在前向 Hook 中，为层的输出张量 output 注册一个梯度 Hook (output.register_hook(_store_grad))。当反向传播到达该 output 张量时，_store_grad 函数就会被调用。

2. save_activation(self, module, input, output)

    def save_activation(self, module, input, output):activation = outputif self.detach:if self.reshape_transform is not None:activation = self.reshape_transform(activation)self.activations.append(activation.cpu().detach())else:self.activations.append(activation)

功能：

前向 Hook 的回调函数，用于捕获目标层的激活值。

参数（由 PyTorch 自动提供）：

module: 调用此 Hook 的层（即 target_layer）。
input: 该层的输入张量（通常用不到）。
output: 该层的输出张量（即激活值）。

流程：

• 将 output 赋值给 activation。
• 如果提供了 reshape_transform 函数，则对 activation 进行重塑。
• 根据 detach 参数决定如何存储：
  如果 detach=True：将 activation 移动到 CPU 并从计算图中分离，然后添加到 self.activations 列表。
  否则：直接将原始的 activation 添加到列表。

结果：

每次前向传播后，self.activations 列表会按顺序存储所有 target_layers 的激活值。

3. save_gradient(self, module, input, output)

    def save_gradient(self, module, input, output):if not hasattr(output, "requires_grad") or not output.requires_grad:# You can only register hooks on tensor requires grad.return# Gradients are computed in reverse orderdef _store_grad(grad):if self.detach:if self.reshape_transform is not None:grad = self.reshape_transform(grad)self.gradients = [grad.cpu().detach()] + self.gradientselse:self.gradients = [grad] + self.gradientsoutput.register_hook(_store_grad)

功能：前向 Hook 的回调函数，用于为目标层的输出张量注册一个梯度 Hook。这个梯度 Hook 会在反向传播时被触发。

参数：同 save_activation。

流程：

1. 检查 output 是否需要梯度 (requires_grad)。如果不需要（例如，某些层的输出是整数或布尔值），则直接返回，不注册 Hook。
2. 定义一个内部函数 _store_grad(grad)：

• 这个函数是真正的梯度 Hook，它接收反向传播计算出的梯度 grad 作为输入。
• 如果提供了 reshape_transform，则对 grad 进行重塑。
• 根据 detach 参数决定如何存储：
  ** 如果 detach=True：将 grad 移动到 CPU 并分离，然后插入到 * * self.gradients 列表的开头 ([grad.cpu().detach()] + self.gradients)。
  ** 否则：直接将 grad 插入到列表开头。
• 为什么插入开头？ 因为反向传播是从后往前进行的。最后层的梯度先计算，最先被捕获。为了保持 self.gradients 列表的顺序与 self.activations 和 target_layers 的顺序一致，需要将新捕获的梯度放在列表前面。

3. 调用 output.register_hook(_store_grad)，将 _store_grad 函数注册为 output 张量的梯度 Hook。

结果：在反向传播过程中，每当计算到某个 target_layer 的输出梯度时，_store_grad 就会被调用，该梯度被处理后按正确的顺序存储在 self.gradients 列表中。

4. call(self, x)

    def __call__(self, x):self.gradients = []self.activations = []return self.model(x)

功能：使 ActivationsAndGradients 对象可以像函数一样被调用。

流程：

1. 在每次调用前，清空self.gradients 和 self.activations 列表。这是非常重要的，确保了每次调用捕获的都是本次前向/反向传播的数据，不会与之前的结果混合。
2. 调用 self.model(x) 执行模型的前向传播。在此过程中，所有注册的 Hook 都会被触发，save_activation 会捕获激活值，save_gradient 会为输出张量注册梯度 Hook。

返回值：模型的前向输出（self.model(x) 的结果）。

副作用：self.activations 和 self.gradients 列表被填充。

5. release(self)

    def release(self):for handle in self.handles:handle.remove()

功能：

移除所有已注册的 Hook。

流程：

遍历 self.handles 列表，调用每个 handle.remove()。

重要性：

这是资源管理的关键步骤。如果不移除 Hook，它们会一直存在于模型中，导致：

1. 内存泄漏：捕获的激活和梯度会持续累积。
2. 性能下降：每次前向/反向传播都会执行不必要的 Hook 函数。
3. 错误：可能干扰模型的其他操作。

调用时机：通常在 BaseCAM 的 del 或 exit 方法中调用。

总结

ActivationsAndGradients 类巧妙地利用了 PyTorch 的 Hook 机制：

1. 捕获激活：通过 register_forward_hook 在前向传播后直接捕获目标层的输出。
2. 捕获梯度：通过在前向 Hook 中为输出张量注册 register_hook，在反向传播时捕获其梯度，并通过将新梯度插入列表开头来保证顺序正确。
3. 灵活性：支持 reshape_transform 以适应不同模型架构。
4. 内存管理：通过 detach 选项控制是否保留计算图，并通过 release 方法确保 Hook 被正确移除，防止资源泄漏。
5. 易用性：提供 call 接口，使得用户只需调用一次即可完成前向传播并自动捕获所需数据。

这个类是 BaseCAM 及其所有子类能够工作的基石，它透明地拦截了模型内部的计算过程，为 CAM 算法提供了必需的中间数据。