因此，至少從2009年開始，研究人員就開發了許多不同的方法來開啟深度學習的“黑匣子”，從而使基礎模型更容易解釋。下面，我們為過去十年中最先進的影像解釋技術整合了視覺介面，並對每種技術進行了簡要描述。我們使用了許多很棒的庫，但是特別依賴 Gradio 來建立你在下面的 gif 檔案和 PAIR-code 的 TensorFlow 實現中看到的介面。用於所有介面的模型是Inception Net影像分類器，可以在此jupyter筆記本和Colab上找到複製此部落格文章的完整程式碼。在我們深入研究論文之前，讓我們先從一個非常基本的演算法開始。 七種不同的解釋方法Leave-one-out (LOO) Leave-one-out (LOO) 是最容易理解的方法之一。如果你想了解影像的哪個部分負責預測，這可能會是你想到的第一個演算法。其思想是首先將輸入影像分割成一組較小的區域，然後，執行多個預測，每次都遮蔽一個區域。根據每個區域的「被遮蔽」對輸出的影響程度，為每個區域分配一個重要性分數。這些分數是對哪個區域最負責預測的量化。這種方法很慢，因為它依賴於執行模型的許多迭代，但是它可以生成非常準確和有用的結果。上面是杜賓狗的圖片示例。LOO是Gradio庫中的預設解釋技術，完全不需要訪問模型的內部——這是一個很大的優點。Vanilla Gradient Ascent [2009 and 2013]Paper: Visualizing Higher-Layer Features of a Deep Network [2009]Paper: Visualizing Image Classification Models and Saliency Maps [2013]這兩篇論文的相似之處在於，它們都通過使用梯度上升來探索神經網路的內部。換句話說，它們認為對輸入或啟用的微小更改將增加預測類別的可能性。第一篇論文將其應用於啟用，作者報告說，「有可能找到對高階特徵的良好定性解釋， 我們證明，也許是違反直覺的，但這種解釋在單位水平上是可能的，它很容易實現，並且各種技術的結果是一致的。」第二種方法也採用梯度上升，但是直接對輸入影像的畫素點進行探測，而不是啟用。作者的方法「計算特定於給定影像和類的類顯著性圖，這樣的地圖可以使用分類ConvNets用於弱監督的物件分割。」Guided Back-Propogation [2014]Paper: Striving for Simplicity: The All Convolutional Net [2014]本文提出了一種新的完全由卷積層構成的神經網路。由於以前的解釋方法不適用於他們的網路，因此他們引入了引導式反向傳播。該反向傳播可在進行標準梯度上升時過濾掉傳播時產生的負啟用。作者稱，他們的方法「可以應用於更廣泛的網路結構。」Grad-CAM [2016]Paper: Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization [2016]接下來是梯度加權類啟用對映(gradient-weighted class activation mapping，Grad-CAM) 。它利用「任何目標概念的梯度，流入最後的卷積層，生成一個粗糙的定位對映，突出影像中的重要區域，以預測概念。」該方法的主要優點是進一步推廣了可以解釋的神經網路類(如分類網路、字幕和視覺化問答(VQA)模型) ，以及一個很好的後處理步驟，圍繞影像中的關鍵物件對解釋進行集中和定位。SmoothGrad [2017]Paper: SmoothGrad: removing noise by adding noise [2017]像前面的論文一樣，此方法從計算類評分函式相對於輸入影像的梯度開始。但是，SmoothGrad通過在輸入影像中新增噪聲，然後針對影像的這些擾動版本中的每一個來計算梯度，從而在視覺上銳化這些基於梯度的靈敏度圖。將靈敏度圖平均在一起可以得到更清晰的結果。Integrated Gradients [2017]Paper: Axiomatic Attribution for Deep Networks [2017]不同於以往的論文，本文的作者從解釋的理論基礎入手。它們「確定了歸因方法應該滿足的兩個基本公理——敏感性和實現不變性」。他們用這些原理來指導設計一種新的歸屬方法（稱為綜合梯度），該方法可以產生高質量的解釋，同時仍然只需要訪問模型的梯度; 但是它新增了一個「基線」超引數，這可能影響結果的質量。Blur Integrated Gradients [2020]Paper: Attribution in Scale and Space [2020]論文研究了一個最新技術—- 這種方法被提出來用於解決具體的問題，包括消除「基線」引數，移除某些在解釋中傾向於出現的視覺偽影。此外，它還「在尺度/頻率維度上產生分數」，本質上提供了影像中重要物體的尺度感。下面這張圖比較了所有這些方法:
