AI Explanations offre funzionalità di visualizzazione integrate per i dati immagine. Quando richiedi una spiegazione su un modello di classificazione delle immagini con una visualizzazione configurata, ricevi la classe prevista insieme a un overlay immagine che mostra quali pixel o regioni hanno contribuito alla previsione.
Le immagini di seguito mostrano visualizzazioni su un'immagine husky. La visualizzazione a sinistra utilizza il metodo dei gradienti integrati ed evidenzia le aree di attribuzione positiva. La visualizzazione giusta utilizza un metodo XRAI con un gradiente di colore che indica aree di influenza minore (blu) e maggiore (giallo) nell'esecuzione di una previsione positiva.
Il tipo di dati con cui stai lavorando può influire sull'utilizzo di gradienti integrati o di un approccio XRAI per visualizzare le spiegazioni.
- L'XRAI tende a essere migliore con le immagini naturali e fornisce un riepilogo migliore di alto livello di informazioni, come dimostrando che l'attribuzione positiva è correlata alla forma del muso di un cane.
- I gradienti integrati (IG) tendono a fornire dettagli a livello di pixel ed sono utili per scoprire attribuzioni più granulari.
Scopri di più sui metodi di attribuzione nella pagina Panoramica di AI Explanations.
Per iniziare
Le visualizzazioni sono configurate per modello come parte del file di metadati spiegazione.
Per aggiungere una nuova visualizzazione per il modello, includi un oggetto visualization
all'interno dell'oggetto inputs
che vuoi visualizzare. Nell'oggetto visualization
puoi includere opzioni quali il tipo di overlay utilizzato, le attribuzioni evidenziate, il colore e altro ancora. Tutte le impostazioni sono facoltative.
Per creare un'altra visualizzazione con lo stesso modello, aggiorna le impostazioni nel file explanation_metadata.json
ed esegui nuovamente il deployment del modello.
Opzioni di visualizzazione
Le impostazioni predefinite e consigliate dipendono dal metodo di attribuzione (gradienti integrati o XRAI). Di seguito è riportato un elenco di opzioni di configurazione e come puoi utilizzarle. Per un elenco completo dei valori delle opzioni, consulta i riferimenti per le API.
type
: il tipo di visualizzazione utilizzato. Per i gradienti integrati, l'opzioneOutlines
è impostata per impostazione predefinita e mostra le regioni di attribuzione, mentrePixels
mostra l'attribuzione per pixel. Per XRAI,Pixels
è l'impostazione predefinita e mostra le aree di attribuzione.Outlines
non è consigliato per XRAI.polarity
: la direzione delle attribuzioni evidenziate. L'impostazione predefinitapositive
evidenzia le aree con le attribuzioni positive più elevate. Ciò significa mettere in evidenza i pixel più influenti per la previsione positiva del modello. L'impostazione della polarità sunegative
evidenzia le aree che portano il modello a non prevedere la classe positiva. Usare una polarità negativa può essere utile per eseguire il debug del modello identificando regioni con falsi negativi. Puoi anche impostare la polarità suboth
, per mostrare le attribuzioni positive e negative.clip_above_percentile
: esclude le attribuzioni superiori al percentile specificato dalle aree evidenziate. L'utilizzo combinato dei parametri dei clip può essere utile per filtrare il rumore e semplificare la visualizzazione delle aree di attribuzione forte.clip_below_percentile
: esclude le attribuzioni al di sotto del percentile specificato dalle aree evidenziate.color_map
: la combinazione di colori utilizzata per le aree evidenziate. Il valore predefinito èpink_green
per i gradienti integrati e mostra le attribuzioni positive in verde e quelle negative in rosa. Per le visualizzazioni XRAI, la mappa colori è un gradiente. Il valore predefinito di XRAI èviridis
, che evidenzia le regioni più influenti in giallo e le meno influenti in blu.overlay_type
: come viene mostrata l'immagine originale nella visualizzazione. Se modifichi l'overlay, puoi aumentare la nitidezza visiva se l'immagine originale rende difficile la visualizzazione.
Configurazioni di esempio
Per iniziare, di seguito sono riportati alcuni oggetti visualization
di esempio che puoi utilizzare come punto di partenza e immagini che mostrano una serie di impostazioni applicate.
Gradienti integrati
Per gradienti integrati, potrebbe essere necessario modificare i valori dei clip se le aree di attribuzione sono troppo rumorose.
visualization: {
"type": "Outlines", # Can also use "Pixels"
"polarity": "positive",
"clip_below_percentile": 70,
"clip_above_percentile": 99.9,
"color_map": "pink_green",
"overlay_type": "grayscale"
}
Di seguito sono riportate due visualizzazioni che utilizzano entrambi i tipi Outlines
e Pixels
. Le colonne etichettate come "Solo altamente predittivo", "Moderatamente predittivo" e "Quasi tutte" sono esempi di ritaglio a diversi livelli che possono aiutarti a perfezionare la visualizzazione.
XRAI
Per le visualizzazioni XRAI, ti consigliamo di iniziare senza alcun valore di clip per XRAI poiché l'overlay utilizza un gradiente per mostrare le aree di attribuzione alta e bassa.
visualization: {
"type": "Pixels", # Only valid option for XRAI
"polarity": "positive",
"clip_below_percentile": 0,
"clip_above_percentile": 100,
"color_map": "viridis",
"overlay_type": "grayscale"
}
L'immagine seguente è una visualizzazione XRAI che utilizza la mappa colori predefinita dei viridis e una serie di tipi di overlay. Le aree in giallo indicano le regioni più influenti che hanno contribuito positivamente alla previsione.
Passaggi successivi
Puoi anche utilizzare lo strumento What-If per visualizzare le spiegazioni. Per scoprire di più, consulta i blocchi note di esempio.