使用度量方法

什么是度量方法

度量方法是用来为热力图好坏评分的一些算法，目前 MindSpore XAI 为图片分类场景提供四个度量方法：Robustness、Faithfulness、ClassSensitivity和Localization。

准备

请参阅下载教程数据集及模型以下载所有本教程所需的文件。

下载教程数据集及模型后，我们要加载一张样本图片，一个训练好的分类器，一个解释器和一张热力图(可选)：

# 必须先把当前目录切换到 xai/examples/
from mindspore import context, load_checkpoint, load_param_into_net
from mindspore_xai.explanation import GradCAM

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] Tensor
boat_image = load_image_tensor('xai_examples_data/test/boat.jpg')

# 解释器
grad_cam = GradCAM(net, layer='layer4')

# 5 是'boat'类的ID
saliency = grad_cam(boat_image, targets=5)

使用 Robustness

Robustness是最简单的度量方法，它把随机噪声加入图片作推理并输出最高的召回率作为评分：

from mindspore.nn import Softmax
from mindspore_xai.explanation import Robustness

# 分类器使用 Softmax 作为激活函数
robustness = Robustness(num_classes, activation_fn=Softmax())
# 可以省略 'saliency' 参数
score = robustness.evaluate(grad_cam, boat_image, targets=5, saliency=saliency)

如果输入的是一个 1xCx224x224 的图片Tensor，那返回的score就是一个只有一个数值的一维Tensor 。

使用 Faithfulness 及 ClassSensitivity

使用Faithfulness及ClassSensitivity的方法跟Robustness的使用方法十分相似，但ClassSensitivity是全类评分，不能指定targets 。

使用 Localization

如果有物体的范围或界框，可以使用Localization作评分：

import numpy as np
import mindspore as ms
from mindspore import Tensor
from mindspore_xai.explanation import Localization

# 左上角：80,66 到 右下角：223,196 是一条船的界框
mask = np.zeros([1, 1, 224, 224])
mask[:, :, 66:196, 80:223] = 1

mask = Tensor(mask, dtype=ms.float32)

localization = Localization(num_classes)

score = localization.evaluate(grad_cam, boat_image, targets=5, mask=mask)