Unet 画图篇 | 一文带你画深度学习模型Grad-CAM热力图、模型对比图，科研/本科论文必备（含Grad-CAM热力图、对比图）

前言高质量的图表是征服审稿人和导师的核心。本文带你画深度学习项目中必不可少的四类图表绘制方法，包含Grad-CAM热力图、对比图。以 Unet 模型为例子。下文也给出一键画图代码。⚡⚡画热力图画热力图是可解释性分析的开端。通过 Grad-CAM，可以透视未经修改的原始模型。通常你会发现，原始模型虽然也能预测出正确的类别，但它的注意力分布非常散乱，容易被背景的纹理（如篮子边缘、阴影）所干扰。Grad-CAM（Gradient-weighted Class Activation Mapping，梯度加权类激活映射）是一种用于深度学习模型可解释性的经典算法。通过计算网络最后一层卷积层输出的梯度信息，来反向推断模型在做出分类决策时，主要依赖了原图中的哪些区域。在生成的热力图中，颜色的深浅直接代表了特征的重要性（权重）：深红色（暖色调的核心）： 代表极高关注度。这是模型认为最具有辨识度、对当前分类结果贡献最大的核心区域。黄色 / 绿色（过渡色调）： 代表中等关注度。模型参考了这些区域的次要特征或边缘纹理。深蓝色（冷色调区域）： 代表极低或无关注度。说明模型在推理时忽略了这些区域，通常属于无关的背景或噪声。画图效果如下：