mindspore_xai.tool

CV类工具。

class mindspore_xai.tool.cv.OoDNet(underlying, num_classes)

分布外检测网络。

OoDNet需要一个下游分类器，并会输出样本的分布外分数。

说明

为了给出正确的分布外分数，OoDNet需要使用分类器的训练数据集来进行训练。

参数：

• underlying (Cell) - 下游分类器，它必须具有 num_features (int)和 output_features (bool)的属性，具体详情请参见样例。

• num_classes (int) - 分类器的类数。

返回：

Tensor，如果 set_train(True) 被调用，将返回分类logits。而如果 set_train(False) 被调用，返回分布外分数。返回的shape均为 \((N, L)\) ，L 是类数。

异常：

• TypeError - 参数或输入类型错误。

• ValueError - 输入值错误。

• AttributeError - underlying 缺少必需的属性。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import nn, set_context, PYNATIVE_MODE
>>> from mindspore_xai.tool.cv import OoDNet
>>> from mindspore.common.initializer import Normal
>>>
>>>
>>> class MyLeNet5(nn.Cell):
...    def __init__(self, num_class, num_channel):
...        super(MyLeNet5, self).__init__()
...
...        # must add the following 2 attributes to your model
...        self.num_features = 84 # no. of features, int
...        self.output_features = False # output features flag, bool
...
...        self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')
...        self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')
...        self.relu = nn.ReLU()
...        self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)
...        self.flatten = nn.Flatten()
...        self.fc1 = nn.Dense(16 * 5 * 5, 120, weight_init=Normal(0.02))
...        self.fc2 = nn.Dense(120, self.num_features, weight_init=Normal(0.02))
...        self.fc3 = nn.Dense(self.num_features, num_class, weight_init=Normal(0.02))
...
...    def construct(self, x):
...        x = self.conv1(x)
...        x = self.relu(x)
...        x = self.max_pool2d(x)
...        x = self.conv2(x)
...        x = self.relu(x)
...        x = self.max_pool2d(x)
...        x = self.flatten(x)
...        x = self.relu(self.fc1(x))
...        x = self.relu(self.fc2(x))
...
...        # return the features tensor if output_features is True
...        if self.output_features:
...            return x
...
...        x = self.fc3(x)
...        return x
>>>
>>> set_context(mode=PYNATIVE_MODE)
>>> # prepare classifier
>>> net = MyLeNet5(10, num_channel=3)
>>> # prepare OoD network
>>> ood_net = OoDNet(net, 10)
>>> inputs = ms.Tensor(np.random.rand(1, 3, 32, 32), ms.float32)
>>> ood_map = ood_net(inputs)
>>> print(ood_map.shape)
(1, 10)

construct(x)

向前推理分类logits或分布外分数。

参数：

• x (Tensor) - 下游分类器的输入。

返回：

Tensor，如果 set_train(True) 被调用，将返回logits of softmax with temperature。而如果 set_train(False) 被调用，返回分布外分数。返回的shape均为 \((N, L)\) ，L 是类数。

get_train_parameters(train_underlying=False)

获取训练参数。

参数：

• train_underlying (bool, 可选) - 如需包含下游分类器的参数，请设置为 True 。默认值： False 。

返回：

list[Parameter]，训练参数。

property num_classes

获取类的数量。

返回：

int，类的数量。

prepare_train(learning_rate=0.1, momentum=0.9, weight_decay=0.0001, lr_base_factor=0.1, lr_epoch_denom=30, train_underlying=False)

准备训练参数。

参数：

• learning_rate (float, 可选) - 优化器的学习率。默认值：0.1。

• momentum (float, 可选) - 优化器的Momentum。默认值：0.9。

• weight_decay (float, 可选) - 优化器的权重衰减。默认值：0.0001。

• lr_base_factor (float, 可选) - 学习率调度器的基本比例因子。默认值：0.1。

• lr_epoch_denom (int, 可选) - 学习率调度器的epoch分母。默认值：30。

• train_underlying (bool, 可选) - 如需训练下游分类器，请设置为 True 。默认值：False。

返回：

• Optimizer，优化器。

• LearningRateScheduler，学习率调度器。

set_train(mode=True)

选择训练模式。

参数：

• mode (bool, 可选) - 训练模式。默认值： True 。

train(dataset, loss_fn, callbacks=None, epoch=90, optimizer=None, scheduler=None, **kwargs)

训练分布外网络。

参数：

• dataset (Dataset) - 训练数据集，预期格式为（数据, one-hot标签）。

• loss_fn (Cell) - loss 函数，如果分类器选择的激活函数是 nn.Softmax，请使用 nn.SoftmaxCrossEntropyWithLogits，而如果选择的是 nn.Sigmod，则使用 nn.BCEWithLogitsLoss。

• callbacks (Callback, 可选) - 训练时的回调。默认值： None 。

• epoch (int, 可选) - 训练时的epoch数量。默认值：90。

• optimizer (Optimizer, 可选) - 优化器。如果设置为 None ，将使用 prepare_train() 预定义的参数。默认值： None 。

• scheduler (LearningRateScheduler, 可选) - 学习率调度器。如果设置为 None ，将使用 prepare_train() 预定义的参数。默认值： None 。

• **kwargs (any, 可选) - 在 prepare_train() 定义的关键参数。

property underlying

获取下游分类器。

返回：

nn.Cell，下游分类器。