注意
点击这里下载完整的示例代码
简介 || 张量 || Autograd || 构建模型 || TensorBoard 支持 || 训练模型 || 模型理解
使用 Captum 理解模型¶
创建于：2021 年 11 月 30 日 | 最后更新：2024 年 1 月 19 日 | 最后验证：2024 年 11 月 05 日
观看以下视频或在 youtube 上观看。在此处下载 notebook 和相应的文件 here。
Captum（拉丁语意为“理解”）是一个开源、可扩展的库，用于构建在 PyTorch 上的模型可解释性。
随着模型复杂性的增加以及由此导致的缺乏透明度，模型可解释性方法变得越来越重要。模型理解既是一个活跃的研究领域，也是使用机器学习的各个行业的实际应用重点领域。Captum 提供了最先进的算法，包括积分梯度，为研究人员和开发人员提供了一种简单的方法来理解哪些特征正在为模型的输出做出贡献。
完整的文档、API 参考以及关于特定主题的一系列教程可在 captum.ai 网站上找到。
简介¶
Captum 的模型可解释性方法是基于归因。Captum 中有三种可用的归因
特征归因 旨在根据生成特定输出的输入特征来解释该输出。例如，根据评论中的某些词语来解释电影评论是正面还是负面，这就是特征归因的一个例子。
层归因 检查模型隐藏层在特定输入后的活动。检查卷积层在响应输入图像时空间映射的输出是层归因的一个例子。
神经元归因 类似于层归因，但侧重于单个神经元的活动。
在本交互式 notebook 中，我们将研究特征归因和层归因。
三种归因类型中的每一种都有多种与之相关的 归因算法。许多归因算法分为两大类
基于梯度的算法 计算模型输出、层输出或神经元激活相对于输入的反向梯度。积分梯度（用于特征）、层梯度 * 激活 和 神经元电导 都是基于梯度的算法。
基于扰动的算法 检查模型、层或神经元的输出响应于输入变化的变化。输入扰动可能是定向的或随机的。遮挡、特征消融 和 特征置换 都是基于扰动的算法。
我们将在下面检查这两种类型的算法。
尤其是在涉及大型模型的情况下，以易于将其与正在检查的输入特征相关联的方式可视化归因数据可能很有价值。虽然肯定可以使用 Matplotlib、Plotly 或类似工具创建自己的可视化效果，但 Captum 提供了专门针对其归因的增强工具
captum.attr.visualization模块（在下面作为viz导入）为可视化与图像相关的归因提供了有用的函数。Captum Insights 是 Captum 之上的一个易于使用的 API，它提供了一个可视化小部件，其中包含图像、文本和任意模型类型的现成可视化效果。
这两个可视化工具集都将在本 notebook 中演示。前几个示例将侧重于计算机视觉用例，但结尾处的 Captum Insights 部分将演示多模型、视觉问答模型中归因的可视化。
安装¶
在开始之前，您需要有一个 Python 环境，其中包含
Python 版本 3.6 或更高版本
对于 Captum Insights 示例，Flask 1.1 或更高版本和 Flask-Compress（建议使用最新版本）
PyTorch 版本 1.2 或更高版本（建议使用最新版本）
TorchVision 版本 0.6 或更高版本（建议使用最新版本）
Captum（建议使用最新版本）
Matplotlib 版本 3.3.4，因为 Captum 目前使用了一个 Matplotlib 函数，其参数在更高版本中已重命名
要在 Anaconda 或 pip 虚拟环境中安装 Captum，请使用适合您环境的命令，如下所示
使用 conda
conda install pytorch torchvision captum flask-compress matplotlib=3.3.4 -c pytorch
使用 pip
pip install torch torchvision captum matplotlib==3.3.4 Flask-Compress
在您设置的环境中重启此 notebook，您就可以开始了！
第一个示例¶
首先，让我们看一个简单的视觉示例。我们将从在 ImageNet 数据集上预训练的 ResNet 模型开始。我们将获取一个测试输入，并使用不同的 特征归因 算法来检查输入图像如何影响输出，并查看一些测试图像的输入归因图的有用可视化效果。
首先，导入一些库
import torch
import torch.nn.functional as F
import torchvision.transforms as transforms
import torchvision.models as models
import captum
from captum.attr import IntegratedGradients, Occlusion, LayerGradCam, LayerAttribution
from captum.attr import visualization as viz
import os, sys
import json
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
现在我们将使用 TorchVision 模型库下载预训练的 ResNet。由于我们不进行训练，因此我们现在将其置于评估模式。
model = models.resnet18(weights='IMAGENET1K_V1')
model = model.eval()
您获取此交互式 notebook 的位置也应该有一个 img 文件夹，其中包含一个文件 cat.jpg。
test_img = Image.open('img/cat.jpg')
test_img_data = np.asarray(test_img)
plt.imshow(test_img_data)
plt.show()
我们的 ResNet 模型在 ImageNet 数据集上训练，并期望图像具有特定大小，并且通道数据已归一化到特定值范围。我们还将提取模型识别的类别的可读标签列表 - 该列表也应位于 img 文件夹中。
# model expects 224x224 3-color image
transform = transforms.Compose([
transforms.Resize(224),
transforms.CenterCrop(224),
transforms.ToTensor()
])
# standard ImageNet normalization
transform_normalize = transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]
)
transformed_img = transform(test_img)
input_img = transform_normalize(transformed_img)
input_img = input_img.unsqueeze(0) # the model requires a dummy batch dimension
labels_path = 'img/imagenet_class_index.json'
with open(labels_path) as json_data:
idx_to_labels = json.load(json_data)
现在，我们可以问一个问题：我们的模型认为此图像代表什么？
output = model(input_img)
output = F.softmax(output, dim=1)
prediction_score, pred_label_idx = torch.topk(output, 1)
pred_label_idx.squeeze_()
predicted_label = idx_to_labels[str(pred_label_idx.item())][1]
print('Predicted:', predicted_label, '(', prediction_score.squeeze().item(), ')')
我们已确认 ResNet 认为我们的猫图像实际上是一只猫。但是模型为什么认为这是一张猫的图像呢？
为了回答这个问题，我们求助于 Captum。
使用积分梯度进行特征归因¶
特征归因 将特定输出归因于输入的特征。它使用特定的输入 - 在这里，我们的测试图像 - 来生成输入特征相对于特定输出特征的重要性的相对重要性图。
积分梯度 是 Captum 中可用的特征归因算法之一。积分梯度通过逼近模型输出相对于输入的梯度的积分，为每个输入特征分配重要性分数。
在我们的例子中，我们将采用输出向量的特定元素 - 即指示模型对其选择的类别的信心的元素 - 并使用积分梯度来了解输入图像的哪些部分对此输出做出了贡献。
一旦我们从积分梯度获得重要性图，我们将使用 Captum 中的可视化工具来提供重要性图的有用表示。Captum 的 visualize_image_attr() 函数提供了多种选项来自定义归因数据的显示。在这里，我们传入自定义 Matplotlib 颜色图。
运行包含 integrated_gradients.attribute() 调用的单元格通常需要一两分钟。
# Initialize the attribution algorithm with the model
integrated_gradients = IntegratedGradients(model)
# Ask the algorithm to attribute our output target to
attributions_ig = integrated_gradients.attribute(input_img, target=pred_label_idx, n_steps=200)
# Show the original image for comparison
_ = viz.visualize_image_attr(None, np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)),
method="original_image", title="Original Image")
default_cmap = LinearSegmentedColormap.from_list('custom blue',
[(0, '#ffffff'),
(0.25, '#0000ff'),
(1, '#0000ff')], N=256)
_ = viz.visualize_image_attr(np.transpose(attributions_ig.squeeze().cpu().detach().numpy(), (1,2,0)),
np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)),
method='heat_map',
cmap=default_cmap,
show_colorbar=True,
sign='positive',
title='Integrated Gradients')
在上面的图像中，您应该看到积分梯度在图像中猫的位置周围给出了最强的信号。
使用遮挡进行特征归因¶
基于梯度的归因方法有助于通过直接计算输出相对于输入的变化来理解模型。基于扰动的归因 方法更直接地处理这个问题，通过引入输入的变化来测量对输出的影响。遮挡 就是这样一种方法。它涉及替换输入图像的某些部分，并检查对输出信号的影响。
下面，我们设置遮挡归因。与配置卷积神经网络类似，您可以指定目标区域的大小和步长，以确定各个测量的间隔。我们将使用 visualize_image_attr_multiple() 可视化我们的遮挡归因的输出，显示按区域划分的正负归因热图，并通过使用正归因区域掩盖原始图像。掩盖非常直观地显示了模型认为我们猫照片中最“像猫”的区域。
occlusion = Occlusion(model)
attributions_occ = occlusion.attribute(input_img,
target=pred_label_idx,
strides=(3, 8, 8),
sliding_window_shapes=(3,15, 15),
baselines=0)
_ = viz.visualize_image_attr_multiple(np.transpose(attributions_occ.squeeze().cpu().detach().numpy(), (1,2,0)),
np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)),
["original_image", "heat_map", "heat_map", "masked_image"],
["all", "positive", "negative", "positive"],
show_colorbar=True,
titles=["Original", "Positive Attribution", "Negative Attribution", "Masked"],
fig_size=(18, 6)
)
同样，我们看到图像中包含猫的区域被赋予了更大的重要性。
使用 Layer GradCAM 进行层归因¶
层归因 允许您将模型中隐藏层的活动归因于输入的特征。下面，我们将使用层归因算法来检查模型中卷积层之一的活动。
GradCAM 计算目标输出相对于给定层的梯度，对每个输出通道（输出的维度 2）取平均值，并将每个通道的平均梯度乘以层激活。结果在所有通道上求和。GradCAM 专为卷积网络设计；由于卷积层的活动通常在空间上映射到输入，因此 GradCAM 归因通常被上采样并用于掩盖输入。
层归因的设置方式与输入归因类似，不同之处在于，除了模型之外，您还必须指定模型中要检查的隐藏层。如上所述，当我们调用 attribute() 时，我们指定感兴趣的目标类别。
layer_gradcam = LayerGradCam(model, model.layer3[1].conv2)
attributions_lgc = layer_gradcam.attribute(input_img, target=pred_label_idx)
_ = viz.visualize_image_attr(attributions_lgc[0].cpu().permute(1,2,0).detach().numpy(),
sign="all",
title="Layer 3 Block 1 Conv 2")
我们将使用 LayerAttribution 基类中的便捷方法 interpolate() 来上采样此归因数据，以便与输入图像进行比较。
upsamp_attr_lgc = LayerAttribution.interpolate(attributions_lgc, input_img.shape[2:])
print(attributions_lgc.shape)
print(upsamp_attr_lgc.shape)
print(input_img.shape)
_ = viz.visualize_image_attr_multiple(upsamp_attr_lgc[0].cpu().permute(1,2,0).detach().numpy(),
transformed_img.permute(1,2,0).numpy(),
["original_image","blended_heat_map","masked_image"],
["all","positive","positive"],
show_colorbar=True,
titles=["Original", "Positive Attribution", "Masked"],
fig_size=(18, 6))
诸如此类的可视化效果可以让您对隐藏层如何响应输入产生新的见解。
使用 Captum Insights 进行可视化¶
Captum Insights 是一个建立在 Captum 之上的可解释性可视化小部件，旨在促进模型理解。Captum Insights 可跨图像、文本和其他特征工作，以帮助用户理解特征归因。它允许您可视化多个输入/输出对的归因，并为图像、文本和任意数据提供可视化工具。
在本 notebook 的这一部分中，我们将使用 Captum Insights 可视化多个图像分类推断。
首先，让我们收集一些图像，看看模型对它们的看法。为了多样性，我们将采用我们的猫、一个茶壶和一个三叶虫化石
imgs = ['img/cat.jpg', 'img/teapot.jpg', 'img/trilobite.jpg']
for img in imgs:
img = Image.open(img)
transformed_img = transform(img)
input_img = transform_normalize(transformed_img)
input_img = input_img.unsqueeze(0) # the model requires a dummy batch dimension
output = model(input_img)
output = F.softmax(output, dim=1)
prediction_score, pred_label_idx = torch.topk(output, 1)
pred_label_idx.squeeze_()
predicted_label = idx_to_labels[str(pred_label_idx.item())][1]
print('Predicted:', predicted_label, '/', pred_label_idx.item(), ' (', prediction_score.squeeze().item(), ')')
……看起来我们的模型正在正确识别它们 - 当然，我们想深入挖掘。为此，我们将使用 Captum Insights 小部件，我们使用下面导入的 AttributionVisualizer 对象对其进行配置。AttributionVisualizer 期望批次数据，因此我们将引入 Captum 的 Batch 辅助类。我们将专门查看图像，因此也将导入 ImageFeature。
我们使用以下参数配置 AttributionVisualizer
要检查的模型数组（在我们的例子中，只有一个）
评分函数，允许 Captum Insights 从模型中提取前 k 个预测
模型训练所针对的类的有序、可读列表
要查找的特征列表 - 在我们的例子中，是
ImageFeature数据集，它是一个可迭代对象，返回输入和标签批次 - 就像您用于训练一样
from captum.insights import AttributionVisualizer, Batch
from captum.insights.attr_vis.features import ImageFeature
# Baseline is all-zeros input - this may differ depending on your data
def baseline_func(input):
return input * 0
# merging our image transforms from above
def full_img_transform(input):
i = Image.open(input)
i = transform(i)
i = transform_normalize(i)
i = i.unsqueeze(0)
return i
input_imgs = torch.cat(list(map(lambda i: full_img_transform(i), imgs)), 0)
visualizer = AttributionVisualizer(
models=[model],
score_func=lambda o: torch.nn.functional.softmax(o, 1),
classes=list(map(lambda k: idx_to_labels[k][1], idx_to_labels.keys())),
features=[
ImageFeature(
"Photo",
baseline_transforms=[baseline_func],
input_transforms=[],
)
],
dataset=[Batch(input_imgs, labels=[282,849,69])]
)
请注意，与上面的归因不同，运行上面的单元格并没有花费太多时间。这是因为 Captum Insights 允许您在可视化小部件中配置不同的归因算法，之后它将计算并显示归因。该 过程将花费几分钟时间。
运行下面的单元格将呈现 Captum Insights 小部件。然后，您可以选择归因方法及其参数，根据预测类别或预测正确性过滤模型响应，查看模型的预测及其相关的概率，并查看与原始图像相比的归因热图。
visualizer.render()
脚本的总运行时间： （0 分钟 0.000 秒）
