介紹深入學(xué)習(xí)中最具爭(zhēng)議的話題之一是如何解釋和理解一個(gè)經(jīng)過(guò)訓(xùn)練的模型——特別是在醫(yī)療等高風(fēng)險(xiǎn)行業(yè)的背景下�！昂谙蛔印币辉~經(jīng)常與深度學(xué)習(xí)算法聯(lián)系在一起，如果我們不能解釋模型是如何工作的，我們?cè)趺茨芟嘈拍Ｐ偷慕Y(jié)果呢？這是個(gè)合理的問(wèn)題。以一個(gè)為檢測(cè)癌癥而訓(xùn)練的深度學(xué)習(xí)模型為例，這個(gè)模型告訴你，它99％確定它已經(jīng)檢測(cè)到癌癥，但它并沒(méi)有告訴你為什么或者如何做出這個(gè)決定。是在核磁共振掃描中找到了重要線索的呢？還是只是掃描上的污點(diǎn)被錯(cuò)誤地檢測(cè)為腫瘤？這是病人生死攸關(guān)的問(wèn)題，醫(yī)生犯了錯(cuò)后果是很?chē)?yán)重。

在本文中，我們將探討如何可視化卷積神經(jīng)網(wǎng)絡(luò)（CNN），這是一種深入學(xué)習(xí)的體系結(jié)構(gòu)，被用于最先進(jìn)的基于圖像的應(yīng)用程序；我們將了解可視化CNN模型的重要性，以及可視化它們的方法；我們還將看一個(gè)用例，它將幫助你更好地理解這個(gè)概念。目錄CNN模型可視化的重要性可視化方法顯著圖基于梯度的類(lèi)激活圖最大激活圖像遮擋繪制模型架構(gòu)可視化濾波器基本方法基于激活的方法基于梯度的方法CNN模型可視化的重要性正如我們?cè)谏厦娴陌┌Y腫瘤例子中所看到的，我們知道我們的模型在做什么，以及它如何對(duì)預(yù)測(cè)做出決定，這是絕對(duì)重要的。通常，下面列出的原因是一個(gè)深度學(xué)習(xí)實(shí)踐者要記住的最重要的知識(shí)點(diǎn)：了解模型的工作原理超參數(shù)調(diào)整找出模型的失敗之處并能夠解決失敗向消費(fèi)者／最終用戶或業(yè)務(wù)主管解釋決策讓我們看一個(gè)例子，在這個(gè)例子中，可視化一個(gè)神經(jīng)網(wǎng)絡(luò)模型有助于理解模型一些不好的行為和提高性能（下面的例子來(lái)自：http：／／intelligence．org／files／AIPosNegFactor．pdf）。曾幾何時(shí)，美國(guó)陸軍想使用神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)檢測(cè)偽裝的敵方坦克。研究人員用50張樹(shù)木偽裝的坦克照片和50張沒(méi)有坦克的樹(shù)木照片訓(xùn)練了神經(jīng)網(wǎng)絡(luò)，使用標(biāo)準(zhǔn)技術(shù)來(lái)進(jìn)行監(jiān)督學(xué)習(xí)，研究人員對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，使其權(quán)重能夠正確加載訓(xùn)練集：對(duì)50張偽裝坦克的照片輸出“是”，對(duì)50張樹(shù)木照片的輸出“否”。這并不能確保新的例子也可以被正確分類(lèi)。神經(jīng)網(wǎng)絡(luò)可能已經(jīng)“學(xué)習(xí)”了100個(gè)不會(huì)泛化到任何新問(wèn)題的特殊情況，聰明的是，研究人員最初拍攝了200張照片，100張?zhí)箍苏掌��?00張樹(shù)木照片，他們?cè)谟?xùn)練場(chǎng)只使用了50個(gè)。研究人員在剩下的100張照片上運(yùn)行了神經(jīng)網(wǎng)絡(luò)，在沒(méi)有進(jìn)一步訓(xùn)練的情況下，神經(jīng)網(wǎng)絡(luò)對(duì)剩下的所有照片進(jìn)行了正確的分類(lèi)。不錯(cuò)！研究人員把完成的工作結(jié)果交給五角大樓，五角大樓很快就把工作交還給了他們，他們抱怨說(shuō)，在他們自己的測(cè)試中，神經(jīng)網(wǎng)絡(luò)在辨別照片方面跟隨機(jī)差不多。

結(jié)果發(fā)現(xiàn)，在研究人員的數(shù)據(jù)集中，偽裝坦克的照片是在陰天拍攝的，而沒(méi)有偽裝的照片是在晴天拍攝的。神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)了區(qū)分陰天和晴天，而不是區(qū)分偽裝坦克和空曠的森林。CNN模型的可視化方法大體上，CNN模型的可視化方法可以根據(jù)其內(nèi)部工作方式分為三個(gè)部分基本方法－向我們展示訓(xùn)練模型總體架構(gòu)的簡(jiǎn)單方法基于激活的方法－在這些方法中，我們破譯單個(gè)神經(jīng)元或一組神經(jīng)元的激活函數(shù)，以理解它們正在做什么基于梯度的方法－這些方法傾向于在訓(xùn)練模型時(shí)操縱由向前和反向傳播形成的梯度我們將在下面的章節(jié)中詳細(xì)介紹它們。在這里，我們將使用keras作為我們的庫(kù)來(lái)構(gòu)建深度學(xué)習(xí)模型，并使用keras－vis來(lái)可視化它們。在繼續(xù)之前，請(qǐng)確保你已經(jīng)在系統(tǒng)中安裝了這些程序。注：本文使用“Identify the Digits”競(jìng)賽中給出的數(shù)據(jù)集，要運(yùn)行下面提到的代碼，你必須在系統(tǒng)中下載它。另外，在開(kāi)始下面的實(shí)現(xiàn)之前，請(qǐng)執(zhí)行要求的步驟。數(shù)據(jù)集：https：／／datahack．a(chǎn)nalyticsvidhya．com／contest／practice－problem－identify－the－digits／準(zhǔn)備步驟：https：／／www．a(chǎn)nalyticsvidhya．com／keras＿script－py／1．基本方法1．1 繪制模型架構(gòu)最簡(jiǎn)單的方法就是打印模型。在這里，你還可以打印神經(jīng)網(wǎng)絡(luò)中各個(gè)層的形狀和每個(gè)層的參數(shù)。在keras中，可以按如下方式實(shí)現(xiàn)：model．summary（）＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿Layer （type）                 Output Shape              Param ＃   ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝conv2d＿1 （Conv2D）            （None， 26， 26， 32）        320       ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿conv2d＿2 （Conv2D）            （None， 24， 24， 64）        18496     ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿max＿pooling2d＿1 （MaxPooling2 （None， 12， 12， 64）        0         ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿dropout＿1 （Dropout）          （None， 12， 12， 64）        0         ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿flatten＿1 （Flatten）          （None， 9216）              0         ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿dense＿1 （Dense）              （None， 128）               1179776   ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿dropout＿2 （Dropout）          （None， 128）               0         ＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿preds （Dense）                （None， 10）                1290      ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝Total params： 1，199，882Trainable params： 1，199，882Non－trainable params： 0為了更具創(chuàng)造性和表現(xiàn)力，你可以繪制一個(gè)架構(gòu)圖（keras．utils．vis＿utils函數(shù)）。

1．2 可視化濾波器另一種方法是繪制訓(xùn)練模型的濾波器，以便我們可以了解這些濾波器的行為。例如，上述模型第一層的第一個(gè)濾波器如下所示：top＿layer ＝ model．layers［0］plt．imshow（top＿layer．get＿weights（）［0］［：， ：， ：， 0］．squeeze（）， cmap＝＇gray＇）

一般來(lái)說(shuō)，我們看到低層的濾波器起到邊緣探測(cè)器的作用，當(dāng)我們走得更高時(shí)，它們傾向于捕捉像物體和人臉這樣的高層概念。