定义:
解释器是一些用来解释AI模型决策的算法,目前 MindSpore XAI 为图片分类场景提供7个解释器算法。解释器输出热力图作为解释,它们代表了每个原图象素的重要性,其中高亮区域为对模型决策起重要作用的部分。
热力图覆盖在原图上:
解释器主要分为两大类:基于梯度的 及 基于扰动的。基于梯度的解释器依赖反向传播去计算象素的重要性,而基于扰动的解释器则是使用随机扰动原图的方法进行计算。
如下图分类:
下载教程数据集及模型
下载并解压缩用例数据包 xai_examples_data.tar.gz 到 XAI 本地 源包码 中的xai/examples/文件夹:
代码如下:
wget https://mindspore-website.obs.myhuaweicloud.com/notebook/datasets/xai/xai_examples_data.tar.gz
tar -xf xai_examples_data.tar.gz
git clone https://gitee.com/mindspore/xai.git -b r1.5
mv xai_examples_data xai/examples/
文件内部代码如下:
xai/examples/
├── xai_examples_data/
│ ├── ckpt/
│ │ ├── resent50.ckpt
│ ├── train/
│ └── test/
├── common/
│ ├── dataset.py
│ └── resnet.py
├── using_explainers.py
├── using_rise_plus.py
├── using_benchmarks.py
└── using_mindinsight.py
要注意以下几个地方:
1. xai_examples_data/:解压缩后的用例数据包。
2. xai_examples_data/ckpt/resent50.ckpt:ResNet50 权重。
3. xai_examples_data/test: 测试数据。
4. xai_examples_data/train: 训练数据。
5. common/dataset.py: 数据加载器。
6. common/resnet.py: ResNet 模型架构。
7. using_explainers.py: 解释器用例。
8. using_rise_plus.py: RISEPlus 解释器用例,它的使用方法跟其他解释器不同
9. using_benchmarks.py: 度量方法用例。
10. using_mindinsight.py: MindInsight 可视化用例。
准备 Python 环境
下载用例数据包后,我们要加载一个训练好的分类器和一张要进行推理及解释的图片:
代码如下:
# 必须先把当前目录切换到 xai/examples/
from mindspore import context, load_checkpoint, load_param_into_net
from common.resnet import resnet50
from common.dataset import load_image_tensor
# 只支持 PYNATIVE_MODE
context.set_context(mode=context.PYNATIVE_MODE)
# 有20个类
num_classes = 20
# 加载训练好的分类器
net = resnet50(num_classes)
param_dict = load_checkpoint("xai_examples_data/ckpt/resnet50.ckpt")
load_param_into_net(net, param_dict)
# [1, 3, 224, 224] 图片 Tensor
boat_image = load_image_tensor("xai_examples_data/test/boat.jpg")