使用解释器

什么是解释器

解释器是一些用来解释AI模型决策的算法，目前 MindSpore XAI 为图片分类场景提供7个解释器算法。解释器输出热力图作为解释，它们代表了每个原图象素的重要性，其中高亮区域为对模型决策起重要作用的部分。

热力图覆盖在原图上：

saliency_overlay

解释器主要分为两大类：基于梯度的及基于扰动的。基于梯度的解释器依赖反向传播去计算象素的重要性，而基于扰动的解释器则是使用随机扰动原图的方法进行计算。

解释器	类型
Gradient	梯度
GradCAM	梯度
GuidedBackprop	梯度
Deconvolution	梯度
Occlusion	扰动
RISE	扰动
RISEPlus	扰动

准备

下载教程数据集及模型

下载并解压缩用例数据包 xai_examples_data.tar.gz 到 XAI 本地源码包中的xai/examples/文件夹：

wget https://mindspore-website.obs.myhuaweicloud.com/notebook/datasets/xai/xai_examples_data.tar.gz
tar -xf xai_examples_data.tar.gz

git clone https://gitee.com/mindspore/xai.git -b r1.5
mv xai_examples_data xai/examples/

xai/examples/ 文件：

xai/examples/
├── xai_examples_data/
│    ├── ckpt/
│    │    ├── resent50.ckpt
│    ├── train/
│    └── test/
├── common/
│    ├── dataset.py
│    └── resnet.py
├── using_explainers.py
├── using_rise_plus.py
├── using_benchmarks.py
└── using_mindinsight.py

xai_examples_data/：解压缩后的用例数据包。
xai_examples_data/ckpt/resent50.ckpt：ResNet50 权重。
xai_examples_data/test：测试数据。
xai_examples_data/train：训练数据。
common/dataset.py：数据加载器。
common/resnet.py： ResNet 模型架构。
using_explainers.py：解释器用例。
using_rise_plus.py： RISEPlus 解释器用例，它的使用方法跟其他解释器不同。
using_benchmarks.py：度量方法用例。
using_mindinsight.py： MindInsight 可视化用例。

准备 Python 环境

以下教程参考了 using_explainers.py 。

下载用例数据包后，我们要加载一个训练好的分类器和一张要进行推理及解释的图片：

# 必须先把当前目录切换到 xai/examples/
from mindspore import context, load_checkpoint, load_param_into_net
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] 图片 Tensor
boat_image = load_image_tensor("xai_examples_data/test/boat.jpg")

使用 GradCAM

GradCAM是一个典型及有效的梯度解释器：

import mindspore as ms
from mindspore import Tensor
from mindspore_xai.explanation import GradCAM

# 通常指定最后一层的卷积层
grad_cam = GradCAM(net, layer="layer4")

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

如果输入的是一个 1xCx224x224 的图片Tensor，那返回的saliency就是一个 1x1x224x224 的热力图Tensor。

批次解释

对于梯度解释器，批次解释通常较有效率，但其他解释器也可以使用：

from dataset import load_dataset

test_ds = load_dataset('xai_examples_data/test').batch(4)

for images, labels in test_ds:
    saliencies = grad_cam(images, targets=Tensor([5, 5, 5, 5], dtype=ms.int32))
    # 其他用户操作 ...

如果输入的是一个 4xCx224x224 的批次图片Tensor，那返回的saliency就是一个 4x1x224x224 的批次热力图Tensor。

使用其他解释器

使用其他解释器(RISEPlus 除外)的方法跟 GradCAM 的使用方法十分相似。

使用 RISEPlus

以下教程参考了 using_rise_plus.py 。

RISEPlus是一个基于RISE的解释器，它引入了分布外侦测器，解决了RISE在遇到分布外(OoD)样本时产生的热力图劣化问题。

首先，我们要使用分类器的训练数据集去训练一个分布外侦测器(OoDNet)：

# 必须先把当前目录切换到 xai/examples/
from mindspore import context, save_checkpoint, load_checkpoint, load_param_into_net
from mindspore.nn import Softmax, SoftmaxCrossEntropyWithLogits
from mindspore_xai.explanation import RISEPlus, OoDNet
from common.dataset import load_dataset, load_image_tensor
from common.resnet import resnet50

# 只支持 PYNATIVE_MODE
context.set_context(mode=context.PYNATIVE_MODE)

num_classes = 20

# 分类器的训练数据集
train_ds = load_dataset('xai_examples_data/train').batch(4)

# 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)

ood_net = OoDNet(underlying=net, num_classes=num_classes)

# 如果分类器的激活函数是 Softmax，我们要使用 SoftmaxCrossEntropyWithLogits 作为损失函数，如果激活函数是 Sigmod 则使用
# BCEWithLogitsLoss 作为损失函数
ood_net.train(train_ds, loss_fn=SoftmaxCrossEntropyWithLogits())

save_checkpoint(ood_net, 'ood_net.ckpt')

下游分类器(underlying)的父类必须为nn.Cell，以及在__init()__函数内：

定义一个名为num_features的int成员，它代表了在特征层输出的特征值个数。
定义一个名为output_features的bool成员并使用False作为初始值，OoDNet会使用output_features来控制分类器是否在construct()输出特征Tensor。

一个 LeNet5 的例子：

from mindspore import nn
from mindspore.common.initializer import Normal

class MyLeNet5(nn.Cell):

    def __init__(self, num_class, num_channel):
        super(MyLeNet5, self).__init__()

        # 必须定义以下两个成员
        self.num_features = 84 # 特征值个数, int
        self.output_features = False # 是否输出特征Tensor, 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))

        # 如果 output_features 是 True, 返回特征Tensor
        if self.output_features:
            return x

        x = self.fc3(x)
        return x

现在，我们可以使用训练好的OoDNet去构造RISEPlus解释器输出热力图：

# 如果是要从 checkpoint 文件读取 OoDNet 的权重，我们就要传入一个新构造的下游分类器对象
ood_net = OoDNet(underlying=resnet50(num_classes), num_classes=num_classes)
param_dict = load_checkpoint('ood_net.ckpt')
load_param_into_net(ood_net)

rise_plus = RISEPlus(ood_net=ood_net, network=net, activation_fn=Softmax())
boat_image = load_image_tensor("xai_examples_data/test/boat.jpg")
saliency = rise_plus(boat_image, targets=5)

如果输入的是一个 1xCx224x224 的图片Tensor，那返回的saliency就是一个 1x1x224x224 的热力图Tensor。