主要思想：在看某个类别c预测时，最后一层卷积特征图里，哪些空间位置对该类别的得分贡献最大。
为什么选用最后一层卷积特征图：1）语义最强 ，厚层聚合了大量前层证据，学到的往往是高级形态（核形、颗粒、核染色、Auer小体等），更贴近临床语言，早层只会告诉你"这里有条纹/对比度高"；2）保留空间分辨率 ，最后一层卷积"是最靠近分类器且仍有空间网格 的位置，用它做热力图，既类相关又能定位到细胞/核区域；3）感受野刚刚好 ，随着层级的加深，感受野逐渐增大，最后几层的感受野已经足够覆盖整个细胞或其关键结构，而不是零碎纹理；4）数值更稳定 ，早层梯度非常嘈杂、容易受颜色/纹理干扰；最后一层卷积的梯度更类相关，热力图稳定性好。这是语义性、空间性和稳定性的折中点。
回答两个问题：1）这些探测器里，谁对这次"某类别 c"的判断更关键 ？2）在图上的哪些位置真正"驱动"了这次 c 的判定？
实现过程过程：
最后一层卷积的第k个通道特征图Ak，H*W维（这里要计算所有通道）；
类别c的logit：yc（这个是什么：是模型对类别c的原始打分，还没有经过softmax和sigmoid的数值，一个样本对每个类别都会计算出一个值）；
计算通道权重（通过梯度给每个通道分配话语权）：
类别c的Grad-CAM热力图（未上采样前）：
把Lc双线性差值回到输入大小，叠加到原图即可可视化（这一步是如何操作的）
适用于哪些情况：Grad-CAM 主要适用于有卷积层、能保留空间结构的深度学习模型（典型是 CNN 及其变体）。在 ViT 等 Transformer 中也能通过改造应用；而对没有空间维的模型（RNN、MLP），则不合适。