如果有错误，请指出。
通过传播类别C的最后一个预测值的方向，特征层A的梯度信息A'是由向后的特征层A获得的。目前，A'实际上是A.我们的部分指导。相信具有大量梯度信息的部分对于当前类别信息更为重要，因此，在中间，将在渠道上处理梯度信息A'，以便在每个重要程度上获得重要程度每个一个。- 处理最终视觉效果的处理，插值和其他方法。
整个过程可以由以下公式表示：
一般实施过程中有两个主要问题：
对于问题1，您可以选择一个特定的卷积层来捕获其信息的流量。核心代码如下：
对于问题2，因为这是模型的原始预培训参数，也就是说，它只是一个推理过程，没有培训，因此我使用以下方法来实现：
完整的代码如下所示：
这里使用GitHub的CAM开源库来获取图片的热图。参考代码如下。有关更多介绍和用法，请参阅参考材料。1。
效果如下：
此外，代码编写过程中存在一些错误。这是记录的方法：
这个问题的出现是因为输入变量未设置梯度，可以增加它
拉/30531以获取更多信息
在这里，我需要计算有关输入X的反向梯度信息。由于要定向X需求，因此我只是将其设置为简单。目前，当它运行时，它会在要输出其反向梯度信息信息时出现问题，如上所述。
这表明不在叶子数量中的.grad属性。它不会在此期间填充其.grad属性。如果您真的想要非叶片张力的梯度，请在非叶片上使用它张量。为此，需要添加以下行：
然后，在看到其他博客作者的代码后，也可以运行以下代码：
是的，如果您需要第二次向后浏览图，或者您需要在向后呼叫后需要接受变量。
这个错误是我想同时查看y [0]和y [1]方向的梯度信息，但是当释放第二个遍历时，变量已发布，因此您需要保存中间参数。请指定。解决方案如下：
从上述代码更改为；
参考资料：
原始：https：//juejin.cn/post/7101658204114780167