Google和OpenAI聯(lián)合發(fā)布了Activation Atlas(激活地圖)，終于將神經(jīng)網(wǎng)絡(luò)圖像分類的“黑匣子”用可視化的方式表示出來(lái)了！AI的世界真是神奇！

AI眼中的世界就是激活地圖(Activation Atlases)。

近日，谷歌與OpenAI共同創(chuàng)建了Activation Atlases，這是一種可視化神經(jīng)元之間相互作用的新技術(shù)。通過(guò)使用特征反演(feature inversion)來(lái)可視化一個(gè)圖像分類網(wǎng)絡(luò)中數(shù)以百萬(wàn)計(jì)的激活。

換言之，神經(jīng)網(wǎng)絡(luò)圖像分類的黑匣子終于被打開(kāi)了。這將有助于研究人員更好的理解AI系統(tǒng)在內(nèi)部決策的過(guò)程。

Activation Atalas：神經(jīng)網(wǎng)絡(luò)隱藏層可以表示什么

我們先來(lái)看下以往的工作的一些缺陷：

(單個(gè)神經(jīng)元)單個(gè)神經(jīng)元的可視化使隱藏層變得有意義，但是忽略了神經(jīng)元之間的交互作用——它只向我們展示了高維激活空間的一維正交探針。(成對(duì)交互)成對(duì)的交互揭示了相互作用的效果，但它們只顯示了具有數(shù)百個(gè)維度空間的二維切片，而且許多組合是不現(xiàn)實(shí)的。(空間激活)空間激活通過(guò)對(duì)可能激活的子流形進(jìn)行采樣來(lái)向我們顯示許多神經(jīng)元的重要組合，但它們僅限于給定示例圖像中出現(xiàn)的那些神經(jīng)元。(Activation Atlas)通過(guò)對(duì)多種可能的激活進(jìn)行采樣，Activation Atlase為我們提供了一個(gè)更全面的概覽。

Activation Atalas是建立在特征可視化的基礎(chǔ)上，這是一種研究“神經(jīng)網(wǎng)絡(luò)隱藏層可以表示什么”的技術(shù)。

在深入研究Activation Atalas之前，先簡(jiǎn)要回顧一下如何使用特征可視化使激活向量變得有意義，也就是如何“透過(guò)網(wǎng)絡(luò)的眼睛看”事物。 這種技術(shù)將成為Activation Atalas的基礎(chǔ)。

注：本文關(guān)注的神經(jīng)網(wǎng)絡(luò)是InceptionV1，也稱GoogLeNet。

因?yàn)镮nceptionV1是一個(gè)卷積網(wǎng)絡(luò)，每層每幅圖像都不只有一個(gè)激活向量。

這意味著相同的神經(jīng)元運(yùn)行在前一層的每個(gè)patch上。因此，當(dāng)通過(guò)網(wǎng)絡(luò)傳遞整幅圖像時(shí)，每個(gè)神經(jīng)元將被評(píng)估數(shù)百次，每一個(gè)重疊的圖像塊被評(píng)估一次。

結(jié)果是一個(gè)特征可視化網(wǎng)格，每個(gè)patch都有一個(gè)。這向我們展示了網(wǎng)絡(luò)如何看到輸入圖像的不同部分。

(左)從ImageNet輸入的圖像；(右)來(lái)自InceptionV1的激活網(wǎng)格，mixed4d層。

這是單幅圖像的情況，但如果圖像的數(shù)量是數(shù)以百萬(wàn)計(jì)的，那么AI的反應(yīng)又將如何呢？

先從收集一百萬(wàn)個(gè)圖像的激活開(kāi)始。

我們將隨機(jī)為每張圖像選擇一個(gè)空間激活。這就得到了100萬(wàn)個(gè)激活向量。每個(gè)向量都是高維的，可能是512維！對(duì)于如此復(fù)雜的一組數(shù)據(jù)，如果我們想要一個(gè)大的視圖，就需要對(duì)其進(jìn)行組織和聚合。

通過(guò)一些先進(jìn)的降維技術(shù)，可以將收集到的激活向量投影到有用的二維布局中，并保留原始空間的一些局部結(jié)構(gòu)。將在創(chuàng)建的2D布局上繪制網(wǎng)格，對(duì)于網(wǎng)格中的每個(gè)單元格，將位于該單元格邊界內(nèi)的所有激活平均化，并使用特征可視化來(lái)創(chuàng)建圖標(biāo)表示。

(左)從不同的訓(xùn)練示例中收集100萬(wàn)個(gè)激活向量。

(中)將它們排列成2D，以便讓相似的元素更緊密地排列在一起。

(右)對(duì)每個(gè)單元格的平均添加網(wǎng)格，并對(duì)其進(jìn)行特征可視化。

mixed4c層，應(yīng)用到InceptionV1，從左至右：20x20，40x40，80x80，160x160。

這幅地圖集乍一看可能有點(diǎn)讓人不知所措，這種多樣性反映了模型開(kāi)發(fā)的各種抽象和概念。

如果我們看一下地圖集的左上方，我們會(huì)看到看起來(lái)像動(dòng)物頭部的東西。

不同種類的動(dòng)物之間有一些區(qū)別，但似乎更多的是一些普通哺乳動(dòng)物的元素——眼睛、皮毛、鼻子——而不是不同種類動(dòng)物的集合。

隨著我們向下移動(dòng)，我們開(kāi)始看到不同類型的毛皮和四足動(dòng)物的背部。

在此之下，我們發(fā)現(xiàn)不同的動(dòng)物腿和腳在不同的地面上休息。

在腳的下面，我們開(kāi)始失去任何可識(shí)別的動(dòng)物部分，并看到孤立的地面和地板。 我們看到歸屬于“沙洲”等環(huán)境以及地面上發(fā)現(xiàn)的東西，如“門(mén)墊”或“螞蟻”。

這些沙質(zhì)巖石背景慢慢地融入海灘和水體。在這里，我們可以看到水面上下的湖泊和海洋。雖然神經(jīng)網(wǎng)絡(luò)上確實(shí)有“海濱”這樣的特定類別，但我們看到許多海洋動(dòng)物的屬性，而沒(méi)有任何與動(dòng)物本身有關(guān)的視覺(jué)參考。

但令人欣慰的是，用于為“海濱”類識(shí)別海洋的活動(dòng)與用于分類“海星”或“海獅”的活動(dòng)是相同的。在這一點(diǎn)上，湖泊和海洋也沒(méi)有真正的區(qū)別——“湖邊”和“河馬”的屬性與“海星”和“黃貂魚(yú)”混雜在一起。

早期的特征可視化工作主要集中在單個(gè)神經(jīng)元上。而通過(guò)收集成千上萬(wàn)個(gè)神經(jīng)元相互作用的例子并將其可視化，ActivationAtalas從單個(gè)神經(jīng)元轉(zhuǎn)移到這些神經(jīng)元共同代表的空間。

現(xiàn)在讓我們跳到地圖集的另一邊，在那里我們可以看到許多不同的文本檢測(cè)器。當(dāng)識(shí)別諸如“菜單”、“web站點(diǎn)”或“book jacket”之類的類時(shí)，這些檢測(cè)器將非常有用。

再向上看，可以看到許多不同的人。在ImageNet中很少有專門(mén)識(shí)別人員的類，但人們會(huì)出現(xiàn)在很多圖像中。

我們看到人們使用的物品(“錘子”、“笛子”)、人們穿的衣服(“領(lǐng)結(jié)”、“郵筒”)以及人們參加的活動(dòng)(“籃球”)的屬性。在這些可視化中，膚色是一致的，我們懷疑這反映了用于訓(xùn)練的數(shù)據(jù)的分布。

最后，回到左邊，我們可以看到圓形的食物和水果主要是由顏色組成的——我們看到歸屬于“檸檬”、“橘子”和“無(wú)花果”。

模型在多層次上發(fā)展過(guò)程

上述工作中，我們主要關(guān)注網(wǎng)絡(luò)的一個(gè)層——mixed4c，它位于網(wǎng)絡(luò)的中間。而卷積網(wǎng)絡(luò)通常很深，由許多層組成，且逐步構(gòu)建更強(qiáng)大的抽象。 為了獲得整體視圖，我們必須研究模型的抽象是如何在多個(gè)層次上發(fā)展的。

首先，讓我們比較來(lái)自網(wǎng)絡(luò)不同區(qū)域的三個(gè)層，以了解每個(gè)層的不同特征——mixed3b、mixed4c和mixed5b。我們將關(guān)注每層的有助于“卷心菜”分類的區(qū)域。

當(dāng)在網(wǎng)絡(luò)中移動(dòng)時(shí)，后面的層似乎變得更加具體和復(fù)雜。

因?yàn)槊總€(gè)層都在前一層的激活之上構(gòu)建其激活。后一層的接受域也往往比前一層更大(這意味著圖像的子集更大)，因此概念似乎包含了更多的整體對(duì)象。

還有另一個(gè)值得注意的現(xiàn)象：不僅概念正在被提煉，而且新概念正在從舊概念的組合中出現(xiàn)。

最后，如果我們縮小一點(diǎn)，我們可以看到更寬的激活空間的形狀是如何從一層到另一層變化的。通過(guò)在幾個(gè)連續(xù)的層中觀察相似的區(qū)域，我們可以看到概念得到細(xì)化和區(qū)分——在mixed4a中，我們看到非常模糊的通用blob，通過(guò)mixed4e將其細(xì)化為更加具體的“半島”。

激活地圖中，類的邊界是導(dǎo)致神經(jīng)網(wǎng)絡(luò)容易“誤認(rèn)”主要原因

突出顯示完整地圖集的特定類別激活有助于了解該類如何與網(wǎng)絡(luò)“可以看到”的完整空間相關(guān)聯(lián)。

但是，如果我們想要真正隔離有助于特定類的激活，我們 可以刪除所有其他激活。與一般地圖集類似，我們?cè)陬愄囟せ钕蛄可线\(yùn)行維數(shù)減少5，以便排列類激活圖集中顯示的特征可視化。

類激活圖集使我們能夠更清楚地了解網(wǎng)絡(luò)使用哪些檢測(cè)器對(duì)特定類進(jìn)行排名。 在“呼吸管”示例中，我們可以清楚地看到海洋、水下和彩色面具。

不過(guò)，在某些情況下，我們希望看到有很強(qiáng)的相關(guān)性(比如魚(yú)和潛水者)。這些激活本身可能比我們感興趣的類對(duì)不同的類有更強(qiáng)的貢獻(xiàn)，但是它們的存在也可以對(duì)我們感興趣的類有更大的貢獻(xiàn)。

對(duì)于這些，我們需要選擇一種不同的過(guò)濾方法。

要立即理解類之間的所有差異可能有點(diǎn)困難。為了便于比較，我們可以將這兩個(gè)視圖合并為一個(gè)視圖。我們將在水平方向繪制“snorkel”和“scuba diving”屬性之間的差異，并使用t-SNE在垂直方向聚集類似的活動(dòng)。

在這個(gè)對(duì)比中，我們可以看到一些鳥(niǎo)一樣的生物和左邊清晰的管子，暗示著與“snorkel”有關(guān)，而一些鯊魚(yú)一樣的生物和右邊圓形、閃亮、金屬的東西，暗示著與“scuba driver”有關(guān)。

讓我們從標(biāo)記為“snorkel”的ImageNet數(shù)據(jù)集中獲取一張圖像，并添加類似于此圖標(biāo)的內(nèi)容，以查看它如何影響分類分?jǐn)?shù)。

這里的失效模式似乎是該模型正在使用其探測(cè)器用于“蒸汽機(jī)車”類來(lái)識(shí)別空氣罐以幫助對(duì)“潛水員”進(jìn)行分類。

我們稱之為“多用途”功能 - 探測(cè)器可以對(duì)視覺(jué)上相似的非常不同的概念做出反應(yīng)。 讓我們來(lái)看看“灰鯨”和“大白鯊”之間的區(qū)別，看看這個(gè)問(wèn)題的另一個(gè)例子。

在這個(gè)例子中，我們看到另一個(gè)似乎扮演兩個(gè)角色的探測(cè)器：探測(cè)棒球上的紅色縫線和鯊魚(yú)的白色牙齒和粉紅色的內(nèi)口。

這個(gè)探測(cè)器也出現(xiàn)在激活地圖集層混合5b過(guò)濾到“大白鯊”，它的歸屬點(diǎn)是各種各樣的球，最重要的是“棒球”。

讓我們將棒球圖片添加到ImageNet中的“灰鯨”圖片中，看看它是如何影響分類的。

所以，這也就是為什么神經(jīng)網(wǎng)絡(luò)經(jīng)?？倳?huì)認(rèn)錯(cuò)東西了。