神经网络的显着性图（使用 Keras）

Posted 2023-03-12

【中文标题】神经网络的显着性图（使用 Keras）

【英文标题】：Saliency maps of neural networks (using Keras)

【发布时间】：2016-08-26 08:57:41

【问题描述】：

我有一个在 Keras 中训练的全连接多层感知器。我给它一个 N 维特征向量，它预测输入向量的 M 个类别中的一个。训练和预测运行良好。现在我想分析输入特征向量的哪一部分实际上负责特定的类。 例如，假设有两个类A 和B，以及一个输入向量f。向量f 属于A 类，网络正确预测它——网络的输出是A=1 B=0。因为我有一些领域知识，我知道整个f实际上并不负责属于A的f，只有f内部的某个部分负责。我想知道神经网络是否捕捉到了这一点。绘制与图像的对应关系，如果图像I 中包含cat（有一些草背景）并且经过训练的网络正确预测，那么网络必须知道整个图像实际上不是cat；网络内部知道图像中cat 的位置。同样，在我的例子中，网络知道f 的哪一部分使它属于A 类。我想知道那是什么部分。

我四处搜索，并相信我想做的就是为给定的输入找到我的网络的显着图。对吗？ 如果我理解正确的话，Saliency Maps 就是 (change in output)/(change in input)，并且可以通过简单的 1 次反向传播操作找到，在该操作中我可以找到输出相对于输入的导数。 我在 Keras 中找到了以下代码 sn-p，但我不确定它是否正确：

   inp = model.layers[0].get_input()
   outp = model.layers[-1].get_output()
   max_outp = T.max(outp, axis=1)
   saliency = theano.grad(max_outp.sum(), wrt=inp)

在上面的代码中，当计算梯度时，反向传播真的发生了吗？输出是输入的非线性函数，因此找到梯度的唯一方法是进行反向传播。但是在上面的代码中，没有任何东西可以连接theano和网络，theano是如何“感知”到这里的网络的呢？据我所知，在使用 Theano 计算梯度时，我们首先根据输入和输出定义函数。所以theano必须知道那个非线性函数是什么。我不认为在上面的 sn-p 中是这样的..

更新：上面的代码不起作用，因为我有一个完全连接的 MLP。它给出了一个错误，说“密集对象没有 get_output()”。我有以下 Keras 函数，它计算网络给定输入的输出。我现在想在输入中找到这个函数的梯度：

    get_output = K.function([self.model.layers[0].input],[self.model.layers[-1].output])

【问题讨论】：

你使用哪个版本的 Keras？

【参考方案1】：

我找到了解决办法：

    get_output = theano.function([model.layers[0].input],model.layers[-1].output,allow_input_downcast=True)
    fx = theano.function( [model.layers[0].input] ,T.jacobian(model.layers[-1].output.flatten(),model.layers[0].input), allow_input_downcast=True)
    grad = fx([input_feature])