使用LIME解釋CNN

作者：Mehul Gupta

來源：DeepHub IMBA

我們已經(jīng)介紹過很多解析機(jī)器學(xué)習(xí)模型的方法，例如如pdp、LIME和SHAP，但是這些方法都是用在表格數(shù)據(jù)的，他們能不能用在神經(jīng)網(wǎng)絡(luò)模型呢？今天我們來LIME解釋CNN。

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(shí)為訓(xùn)練數(shù)據(jù)集生成摘要統(tǒng)計(jì)：

使用匯總統(tǒng)計(jì)生成一個(gè)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(gè)白盒模型

解釋白盒模型

就圖像而言，上述方法的主要障礙是如何生成隨機(jī)樣本，因?yàn)樵谶@種情況下匯總統(tǒng)計(jì)將沒有任何用處。

如何生成人造數(shù)據(jù)集?最簡單的方法是，從數(shù)據(jù)集中提取一個(gè)隨機(jī)樣本，隨機(jī)打開(1)和關(guān)閉(0)一些像素來生成新的數(shù)據(jù)集但是通常在圖像中，出現(xiàn)的對(duì)象(如狗vs貓的分類中的:狗&貓)導(dǎo)致模型的預(yù)測會(huì)跨越多個(gè)像素，而不是一個(gè)像素。所以即使你關(guān)掉一兩個(gè)像素，它們看起來仍然和我們選擇樣本非常相似。所以這里需要做的是設(shè)置一個(gè)相鄰像素池的ON和OFF，這樣才能保證創(chuàng)造的人工數(shù)據(jù)集的隨機(jī)性。所以將圖像分割成多個(gè)稱為超像素的片段，然后打開和關(guān)閉這些超像素來生成隨機(jī)樣本。讓我們使用LIME進(jìn)行二進(jìn)制分類來解釋CNN的代碼。例如我們有以下的兩類數(shù)據(jù)。類別0: 帶有任意大小的白色矩形的隨機(jī)圖像類別1:隨機(jī)生成的圖像（沒有白色矩形）

然后創(chuàng)建一個(gè)簡單的CNN模型

LIME示例

%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)

讓我們引入LIME

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)

上面的代碼片段需要一些解釋我們初始化了LimeImageExplainer對(duì)象，該對(duì)象使用explain_instance解釋特定示例的輸出。這里我們從驗(yàn)證集中選取了第10個(gè)樣本，Get_image_and_mask()返回模型與原始圖像一起預(yù)測的高亮區(qū)域。讓我們看看一些樣本，它們實(shí)際上是1(隨機(jī)圖像)，但檢測到為0(帶白框的隨機(jī)圖像)可以看到下圖有黃色的突出顯示區(qū)域，這張圖片的標(biāo)簽為1，但被標(biāo)記為0，這是因?yàn)楦吡溜@示的區(qū)域看起來像一個(gè)矩形，因此讓模型感到困惑，也就是說模型錯(cuò)吧黃色標(biāo)記的部分當(dāng)成了我們需要判斷的白色矩形遮蔽。再看看上面兩個(gè)圖，與前面的例子類似，模型也預(yù)測了class=0。通過黃色區(qū)域可以判斷，某種形狀可能被模型曲解為白色方框了。

這樣我們就可以理解模型導(dǎo)致錯(cuò)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。