神经网络所学会的“吸引力”是什么？
在判断一张图片是否安全时，神经网络看的是哪些部分？
使用grad-cam，我们探索了模型的预测过程，对于不同类型的图片，包括动作/静态、暴力、吸引力、年龄、种族等等。
很显然，在上面展示的图片中，吸引力模型关注的是身体而非面部。有趣的是，模型在训练过程中没有接触任何明确定义的边界框，但即使如此，仍然学会了定位人体。
这个模型使用200k图像做训练，标记由Hive团队完成，一共分为3个类别：有吸引力（hot）、中立（neutral）、没有吸引力。
然后，所有得分会综合在一起，创建一个从0到10的评分等级。分类器地址：https://thehive.ai/demo/attractiveness
举个例子，如果让模型来判断BAT各家掌门人的吸引力得分，将会是这个样子：
关键的想法是，在全局池化前将logit层应用到最后一个卷积层。这会创建一个map，显示网络决策过程中每个像素的重要性。
一个穿西装的人位于图片正中（上图右），表明这是电视节目，而不是商业广告。电视节目/商业广告模型，很好地展示了grad-CAM发现的模型决策背后的意外原因。另一方面，模型也能证实了我们的预期，比如左边那幅单板滑雪的例子（上图左）。
上面是动画节目分类器的结果。很有意思的是，在Bart & Morty中，最重要的部分是边缘（上图左）和背景（上图右），令人颇为意外。
CAM & GradCam：分类时，神经网络正在看什么
类别激活地图（CAM）由Zhou[2]首先开发，能够显示网络正在看什么。对于每个类别，CAM能表明这个类别中最重要的部分。
后来，Ramprasaath对CAM做了扩展，让它在不需要做任何更改的情况下，能够适用于更广泛的架构。具体说，grad-CAM可以处理全连接层和更复杂的问题，如问题回答。幸运的是，我们完全不需要修改网络来计算grad-CAM。
最近，grad-CAM++ Chattopadhyay[4]进一步扩展了这种方法，提高输出热图的精度。Grad-CAM++能够更好地处理类别的多个实例，并突出显示整个类别，而不仅仅是最显著的部分。Grad-CAM++使用正偏导数的加权组合来实现这一点。
TensorFlow实现及代码
这只返回一个num_classes元素的数组，其中只有预测类别的logit非零。这定义了损失。
然后，计算相对于网络的最后一个卷积层的损失的导数，并对这些梯度进行正则化。
运行图，计算我们输入的最后一个卷积层。
计算权重作为每个10x10网格的梯度值的均值（假设输入大小为299x299）。有2048个权重，因为我们使用的网络在10x10的最终卷积层上有2048个输出通道。
创建cam 10x10粗略输出，作为平均梯度值和最终卷积层的加权和。
将cam输入一个RELU，只接收这个类别的正向建议。然后，将粗略cam输出调整为输入大小并混合显示。
最后，主要函数获取TensorFlow Slim模型的定义和预处理函数。用这些算法计算grad-CAM输出，并将其与输入照片混合。在下面的代码中，我们使用softmax概率最大的类别作为grad_cam的输入。例如：
该模型首选预测酒精为99％，赌博只有0.4％。不过，通过将预测类别从酒类转为赌博，我们可以看到，尽管类别概率很低，但模型仍然可以清楚地指出图像中的赌博元素（见右图）。
原文发布时间为：2018-01-12
本文作者：费欣欣
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
