設定 AutoML 圖片分類的視覺化呈現設定

預先發布版

這項功能適用《服務專屬條款》中「一般服務條款」一節的《正式發布前產品條款》。 正式發布前的功能是按照「原樣」提供，支援範圍可能有限。 詳情請參閱推出階段說明。

Vertex Explainable AI 提供圖片資料的內建視覺化功能。 您可以設定 AutoML 圖片分類模型的視覺化效果。

要求圖片分類模型提供說明時，您會收到預測類別，以及顯示哪些像素 (積分梯度) 或區域 (積分梯度或 XRAI) 影響預測結果的重疊圖片。

下圖顯示哈士奇圖片的視覺化效果。左側的視覺化內容使用積分梯度法，並醒目顯示正向歸因的區域。右側的視覺化圖片使用 XRAI 方法，以顏色漸層表示在做出正面預測時，影響較小 (藍色) 和較大 (黃色) 的區域。

您處理的資料類型會影響您使用整合式梯度或 XRAI 方法來顯示說明。

• XRAI 較適合處理自然圖片，並提供更完善的洞察摘要，例如顯示正面關聯與狗臉形狀有關。
• 積分梯度 (IG) 傾向於提供像素層級的詳細資料，有助於發掘更精細的歸因。

如要進一步瞭解歸因方法，請參閱 Vertex Explainable AI 的總覽頁面。

開始使用

訓練支援 Vertex Explainable AI 的 AutoML 模型時，請設定視覺化效果，並在部署模型時啟用說明。

圖表選項

預設和建議設定取決於歸因方法 (積分梯度或 XRAI)。以下列出設定選項，並說明使用方式。如需完整選項清單，請參閱 Visualization 訊息的 API 參考資料。

• type：使用的視覺化類型：OUTLINES 或 PIXELS。只有在使用積分梯度時，才能指定這個欄位；使用 XRAI 時則無法指定。

  如果是積分梯度，這個欄位預設為 OUTLINES，會顯示歸因區域。如要顯示每個像素的歸因，請將欄位設為 PIXELS。

• polarity：醒目顯示出處的方向。預設為 positive，會醒目顯示正向歸因最高的區域。也就是說，標出對模型正面預測結果影響最大的像素。將極性設為 negative，即可醒目顯示導致模型未預測正類的區域。使用負極性有助於找出偽陰性區域，進而偵錯模型。您也可以將極性設為 both，顯示正向和負向歸因。

• clip_percent_upperbound：從醒目顯示的區域中排除高於指定百分位數的歸因。同時使用兩個範圍裁剪參數有助於過濾雜訊，還能更輕鬆地查看歸因較強的區塊。

• clip_percent_lowerbound：從醒目顯示的區域中排除低於指定百分位數的歸因。

• color_map：醒目顯示區域所採用的色彩配置。積分梯度預設使用 pink_green：以綠色顯示正向歸因，而以粉紅色顯示負向歸因。如果是 XRAI 視覺化效果，顏色地圖會是漸層。XRAI 預設使用 viridis 色彩配置，以黃色醒目顯示最具影響力的區域，並以藍色標示影響力最低的區域。

  如需可能值的完整清單，請參閱 Visualization 訊息的 API 參考資料。

• overlay_type：原始影像的視覺化呈現方式。 如果難以查看原始圖片的視覺化內容，調整覆疊圖層或許可以提高視覺清晰度。

  如需可能值的完整清單，請參閱 Visualization 訊息的 API 參考資料。

設定範例

如要開始使用，請參閱下列 Visualization 設定範例，並參考圖片瞭解各種設定的套用效果。

積分梯度

如果是整合式梯度，如果歸因區域過於雜亂，您可能需要調整剪輯值。

visualization: {
  "type": "OUTLINES",
  "polarity": "positive",
  "clip_percent_lowerbound": 70,
  "clip_percent_upperbound": 99.9,
  "color_map": "pink_green",
  "overlay_type": "grayscale"
}

以下是使用 outlines 和 pixels 兩種型別的兩個視覺化項目。標示為「僅限高預測性」、「中等預測性」和「幾乎所有」的資料欄，是不同層級的裁剪範例，可協助您專注於視覺化效果。

XRAI

對於 XRAI 視覺化效果，建議您一開始不要為 XRAI 設定剪輯值，因為疊加層會使用漸層顯示高和低歸因的區域。

visualization: {
  "clip_percent_lowerbound": 0,
  "clip_percent_upperbound": 100,
  "color_map": "viridis",
  "overlay_type": "grayscale"
}

下圖是 XRAI 視覺化效果，使用預設的 viridis 色彩對應和一系列疊加類型。黃色區域表示對預測結果有正面影響的區域。

後續步驟

• 使用「取得說明」從模型取得附有說明的預測結果。
• 如要瞭解如何改善 AutoML 圖像分類模型的 Vertex Explainable AI 結果，請參閱「改善說明」。