使用LIME解釋CNN

作者：Mehul Gupta

來源：DeepHub IMBA

圖像與表格數(shù)據(jù)集有很大不同(顯然)。如果你還記得，在之前我們討論過的任何解釋方法中，我們都是根據(jù)特征重要性，度量或可視化來解釋模型的。比如特征“A”在預(yù)測中比特征“B”有更大的影響力。但在圖像中沒有任何可以命名的特定特征，那么怎么進(jìn)行解釋呢?

一般情況下我們都是用突出顯示圖像中模型預(yù)測的重要區(qū)域的方法觀察可解釋性，這就要求了解如何調(diào)整LIME方法來合并圖像，我們先簡單了解一下LIME是怎么工作的。

LIME在處理表格數(shù)據(jù)時為訓(xùn)練數(shù)據(jù)集生成摘要統(tǒng)計：

• 使用匯總統(tǒng)計生成一個新的人造數(shù)據(jù)集

• 從原始數(shù)據(jù)集中隨機(jī)提取樣本

• 根據(jù)與隨機(jī)樣本的接近程度為生成人造數(shù)據(jù)集中的樣本分配權(quán)重

• 用這些加權(quán)樣本訓(xùn)練一個白盒模型

• 解釋白盒模型

%matplotlib inline
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.layers import Input, Dense, Embedding, Flatten
from keras.layers import SpatialDropout1D
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.models import Sequential
from randimage import get_random_image, show_array
import random
import pandas as pd
import numpy as np
import lime
from lime import lime_image
from skimage.segmentation import mark_boundaries

#preparing above dataset artificially
training_dataset = []
training_label = []
for x in range(200):
  
  img_size = (64,64)
  img = get_random_image(img_size) 
  
  a,b = random.randrange(0,img_size[0]/2),random.randrange(0,img_size[0]/2)
  c,d = random.randrange(img_size[0]/2,img_size[0]),random.randrange(img_size[0]/2,img_size[0])
  
  value = random.sample([True,False],1)[0]
  if value==False:
    img[a:c,b:d,0] = 100
    img[a:c,b:d,1] = 100
    img[a:c,b:d,2] = 100
    
  training_dataset.append(img)
  training_label.append(value)

#training baseline CNN model
training_label = [1-x for x in training_label]
X_train, X_val, Y_train, Y_val = train_test_split(np.array(training_dataset).reshape(-1,64,64,3),np.array(training_label).reshape(-1,1), test_size=0.1, random_state=42)

epochs = 10
batch_size = 32
model = Sequential()
model.add(Conv2D(32, kernel_size=3, padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Flatten())
# Output layer
model.add(Dense(32,activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, validation_data=(X_val, Y_val), epochs=epochs, batch_size=batch_size, verbose=1)

x=10
explainer = lime_image.LimeImageExplainer(random_state=42)
explanation = explainer.explain_instance(
         X_val[x], 
        model.predict,top_labels=2)
    )

image, mask = explanation.get_image_and_mask(0, positives_only=True,
               hide_rest=True)

這樣我們就可以理解模型導(dǎo)致錯誤分類的實(shí)際問題是什么，這就是為什么可解釋和可解釋的人工智能如此重要。

END

歡迎加入Imagination GPU與人工智能交流2群

入群請加小編微信：eetrend89

（添加請備注公司名和職稱）

推薦閱讀

Imagination 基于 O3DE 引擎的光線追蹤 Demo 詳解

Imagination Technologies是一家總部位于英國的公司，致力于研發(fā)芯片和軟件知識產(chǎn)權(quán)（IP），基于Imagination IP的產(chǎn)品已在全球數(shù)十億人的電話、汽車、家庭和工作場所中使用。獲取更多物聯(lián)網(wǎng)、智能穿戴、通信、汽車電子、圖形圖像開發(fā)等前沿技術(shù)信息，歡迎關(guān)注 Imagination Tech！