---
title: "梯度加權類激活圖（Grad-CAM）"
slug: grad-cam
language: zh-TW
source: https://aiterms.tw/terms/grad-cam
updated_at: 2026-07-29
tags: [深度學習, 電腦視覺, 模型評估, 神經網路, AI基礎]
ipas_term: false
---

# 梯度加權類激活圖（Grad-CAM）

> **你有沒有看過 AI 判斷一張圖後，特別想知道它到底在看哪裡？**
>
> 你可以把 Grad-CAM 想成把模型注意的區域畫成熱圖。
> 它讓你看到哪些像素區域對分類結果影響最大，方便檢查模型是不是看對地方。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **Grad-CAM vs CAM**
> CAM 要改模型結構
> Grad-CAM 通常可以直接套用在現有模型上
> 最關鍵的區別是要不要改架構
>
> **Grad-CAM vs 顯著性地圖**
> 顯著性地圖偏向看輸入對輸出的敏感程度
> Grad-CAM 會結合梯度和最後卷積層資訊
> 最關鍵的區別是看敏感點，還是看類別相關區域
>
### 記住這句就好

> 看熱圖，不是看模型心情。

### 實際案例

> **醫療影像檢查**
> 醫師用 Grad-CAM 檢查模型是不是把肺炎判斷建立在真正病灶上，而不是片子邊角的標記。
>
> **產品照片辨識**
> 如果模型老是把品牌 logo 當成主體，Grad-CAM 就能讓你發現它偏看的位置，方便回頭修資料。
>
### 算法與應用

> Grad-CAM 主要是從目標類別的梯度，回推到最後一層卷積特徵圖。
> 它提供的是粗粒度解釋，能幫忙除錯，但不代表模型真的只看那一塊。

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 梯度加權類別激活圖 | 完整中文譯名 |
| 类激活图 | 簡體常見簡稱 |
| Gradient-weighted Class Activation Mapping | 英文全名 |
| Grad-CAM / Grad CAM | 常見寫法，中間的連字號常被省略 |
| CAM | 前身方法，Grad-CAM 是它的推廣版本 |

### 它是怎麼算出來的

> **第一步**，選一個要解釋的類別，把該類別的分數對最後一層卷積的特徵圖做偏微分，得到每個特徵圖的梯度。
>
> **第二步**，把每張特徵圖的梯度做全域平均池化，得到一個純量，當作這張特徵圖的權重。這個權重代表「這張特徵圖對這個類別有多重要」。
>
> **第三步**，用這些權重把所有特徵圖加權相加。
>
> **第四步**，過一個 ReLU，只留正貢獻的部分，因為負的部分代表支持其他類別的證據。
>
> **第五步**，把結果放大回原圖尺寸，疊在原圖上顯示。
>
> 因為用的是最後一層卷積的特徵圖，解析度很低（常見是 7×7 或 14×14），所以 Grad-CAM 的熱區是一團一團的，看不出細節輪廓。這是它的特性不是缺陷，它回答的是「模型在看哪個區域」，不是「哪些像素」。

### 跟 CAM 與其他方法的關係

| 方法 | 需要改模型嗎 | 解析度 | 特點 |
| --- | --- | --- | --- |
| CAM | 需要，架構必須是全域平均池化接全連接 | 低 | Grad-CAM 的前身，限制多 |
| Grad-CAM | 不需要，任何 CNN 都能用 | 低 | 通用性好，是最常用的基準 |
| Grad-CAM++ | 不需要 | 低 | 同一張圖有多個同類物件時定位較好 |
| Guided Grad-CAM | 不需要 | 高 | 把 Grad-CAM 跟導引反向傳播相乘，兼顧類別區分與細節 |
| Score-CAM | 不需要 | 低 | 不用梯度，改用遮罩後的分數變化，避免梯度雜訊 |

### 用的時候要注意什麼

> **選錯層會得到沒用的圖。** 太淺的層只反映邊緣與紋理，太深的層在有些架構裡空間資訊已經被壓掉。慣例是取最後一個卷積區塊的輸出。
>
> **視覺 Transformer 不能直接套。** ViT 沒有卷積特徵圖，要改用注意力權重或針對 Transformer 設計的變體。
>
> **熱區對，不代表模型是對的。** 模型可能正確框到物件卻分錯類。Grad-CAM 只告訴你「它在看哪」，不告訴你「它看懂了沒」。
>
> 它最實用的價值是**除錯與抓資料問題**：發現模型辨識肺炎時盯著影像角落的院方標記，或辨識某品牌時只看浮水印，這類問題用 Grad-CAM 幾分鐘就能發現。

### 情境判斷

> **Q1：** 熱圖亮在背景上，這代表模型就一定錯了嗎？
> → 不一定，要看背景是否和類別本來就有關，像場景分類時背景也可能是訊號。
>
> **Q2：** 你要確認模型是不是偷看水印，應該用什麼工具？
> → 可以先用 Grad-CAM 看它是否把注意力放在水印或角落標記上。
>
### 常見問題

> **Q：Grad-CAM 只能用在圖像模型嗎？**
> 它最常用在卷積式視覺模型上，但概念也能延伸到其他結構。
>
> **Q：熱圖越亮就代表越重要嗎？**
> 大致上是，但還要搭配類別和上下文一起看。
>
> **Q：Grad-CAM 能完全解釋模型嗎？**
> 不能，它只是局部可視化工具，不是完整因果證明。
>
### 相關術語

> - **可解釋人工智慧**：Grad-CAM 是 XAI 的常見工具之一
> - **顯著性地圖**：先讀這個，會更懂熱圖在看什麼
> - **注意力機制**：兩者都在談「模型關注哪裡」，但方法不同
> - **卷積神經網路**：Grad-CAM 最常對應的模型類型
> - **電腦視覺**：理解應用場景，才知道為什麼要做可視化

---

來源：https://aiterms.tw/terms/grad-cam
快查頁：https://aiterms.tw/terms/grad-cam
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-grad-cam