Github项目推荐 | cnn-exposed - （卷积）神经网络黑盒探秘

解释卷积神经网络（CNN）的结果。

https://speakerdeck.com/tanujjain/demystifying-the-neural-network-black-box 

这个项目仓库包含了我们的演讲《解密神经网络黑匣子》的代码。 你可以在 Speaker Deck 上查看PPT。

Github项目地址：（点击链接可直接跳转）

https://github.com/idealo/cnn-exposed

动机

当涉及计算机视觉任务（例如图像识别和对象检测）时，卷积神经网络（CNN）是最先进的。 但是，由于架构的高度复杂性，我们通常很难解释这些网络所做出的决策。幸运的是，有几种技术可以增强我们对CNN决策的理解。 这些技术通常分为归因和可视化方法。

在 idealo 的一个图像分类项目中，我们希望能够识别图像中所描述的酒店区域属性。在一些案例中，描述游泳池区域的图片被错误地归类为浴室区域。这些图像的例子如下：

使用称为梯度类激活图（Grad-CAM）的归因技术，我们能够绘制热图，表示不同图像区域在进行分类决策时的相对重要性。 以上图片的热图如下：

这帮助我们发现了一种偏见，即使用金属栏杆作为一种手段，将图像错误地分类为浴室区域。

另一方面，可视化技术可以帮助我们理解CNN中不同层的神经元可能正在学习的模式。适用于我们数据的特定MobileNet架构层的一些可视化效果图如下所示：

随着向CNN的输出层推进，这些模式通常变得越来越复杂。

入门指南

在此存储库中，已经在Google Colab笔记本中演示了几种解释技术。因此无需克隆此存储库，只需单击下面相应部分中的“在Colab中打开”图标，即可在浏览器中启动用于归因和可视化方法的Google Colab笔记本。 此外，Colab笔记本的“硬件加速器”选项应设置为“GPU”，以便更快地运行代码。 有关Colab笔记本的快速教程，请查看此博客文章。

归因技术

我们尝试探索的一些归因方法是：

• Saliency Maps  显着性图

• Gradient Class Activation Maps (Grad-CAM)  梯度类激活图（Grad-CAM）

• Layerwise Relevance Propagation (LRP)  分层相关传播（LRP）

可视化技术

我们尝试探索的一些可视化方法是：

• Filter visualizations 过滤可视化

• Output class visualizations 输出类可视化

License

本项目基于MIT Licence发布，具体可见 LICENSE

点击阅读原文，查看划线部分链接内容