Gradcam с управляемым backprop для обучения переносу в Tensorflow 2.0

Question

Я получаю ошибку, используя градиентную визуализацию с трансферным обучением в TF 2.0. Градиентная визуализация работает на модели, которая не использует трансферное обучение.

Когда я запускаю свой код, я получаю сообщение об ошибке:

    assert str(id(x)) in tensor_dict, 'Could not compute output ' + str(x)
AssertionError: Could not compute output Tensor("block5_conv3/Identity:0", shape=(None, 14, 14, 512), dtype=float32)

Когда я запускаю приведенный ниже код, он выдает ошибки. Я думаю, что есть проблема с соглашениями об именах или соединением входов и выходов из базовой модели, vgg16, со слоями, которые я добавляю. Очень ценю вашу помощь!

"""
Broken example when grad_model is created. 
"""
!pip uninstall tensorflow
!pip install tensorflow==2.0.0
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers
import matplotlib.pyplot as plt

IMAGE_PATH = '/content/cat.3.jpg'
LAYER_NAME = 'block5_conv3'
model_layer = 'vgg16'
CAT_CLASS_INDEX = 281

imsize = (224,224,3)

img = tf.keras.preprocessing.image.load_img(IMAGE_PATH, target_size=(224, 224))
plt.figure()
plt.imshow(img)
img = tf.io.read_file(IMAGE_PATH)
img = tf.image.decode_jpeg(img)
img = tf.cast(img, dtype=tf.float32)
# img = tf.keras.preprocessing.image.img_to_array(img)
img = tf.image.resize(img, (224,224))
img = tf.reshape(img, (1, 224,224,3))

input = layers.Input(shape=(imsize[0], imsize[1], imsize[2]))
base_model = tf.keras.applications.VGG16(include_top=False, weights='imagenet',
                                          input_shape=(imsize[0], imsize[1], imsize[2]))
# base_model.trainable = False
flat = layers.Flatten()
dropped = layers.Dropout(0.5)
global_average_layer = tf.keras.layers.GlobalAveragePooling2D()

fc1 = layers.Dense(16, activation='relu', name='dense_1')
fc2 = layers.Dense(16, activation='relu', name='dense_2')
fc3 = layers.Dense(128, activation='relu', name='dense_3')
prediction = layers.Dense(2, activation='softmax', name='output')
for layr in base_model.layers:
    if ('block5' in layr.name):

        layr.trainable = True
    else:
        layr.trainable = False

x = base_model(input)
x = global_average_layer(x)
x = fc1(x)
x = fc2(x)
x = prediction(x)

model = tf.keras.models.Model(inputs = input, outputs = x)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
                  loss='binary_crossentropy',
                  metrics=['accuracy'])

В этой части кода находится ошибка. Я не уверен, как правильно обозначить входы и выходы.

# Create a graph that outputs target convolution and output
grad_model = tf.keras.models.Model(inputs = [model.input, model.get_layer(model_layer).input], 
                                   outputs=[model.get_layer(model_layer).get_layer(LAYER_NAME).output,
                                            model.output])

print(model.get_layer(model_layer).get_layer(LAYER_NAME).output)
# Get the score for target class

# Get the score for target class
with tf.GradientTape() as tape:
    conv_outputs, predictions = grad_model(img)
    loss = predictions[:, 1]

В следующем разделе приведена схема тепловой карты gradcam.

print('Prediction shape:', predictions.get_shape())
# Extract filters and gradients
output = conv_outputs[0]
grads = tape.gradient(loss, conv_outputs)[0]

# Apply guided backpropagation
gate_f = tf.cast(output > 0, 'float32')
gate_r = tf.cast(grads > 0, 'float32')
guided_grads = gate_f * gate_r * grads

# Average gradients spatially
weights = tf.reduce_mean(guided_grads, axis=(0, 1))

# Build a ponderated map of filters according to gradients importance
cam = np.ones(output.shape[0:2], dtype=np.float32)

for index, w in enumerate(weights):
    cam += w * output[:, :, index]

# Heatmap visualization
cam = cv2.resize(cam.numpy(), (224, 224))
cam = np.maximum(cam, 0)
heatmap = (cam - cam.min()) / (cam.max() - cam.min())

cam = cv2.applyColorMap(np.uint8(255 * heatmap), cv2.COLORMAP_JET)

output_image = cv2.addWeighted(cv2.cvtColor(img.astype('uint8'), cv2.COLOR_RGB2BGR), 0.5, cam, 1, 0)

plt.figure()
plt.imshow(output_image)
plt.show()

Я также спросил это команда тензорного потока на github на https://github.com/tensorflow/tensorflow/issues/37680.

Answer 1

Мы (я и ряд членов команды, разрабатывающих проект) обнаружили аналогичную проблему с кодом, реализующим Grad-CAM, который мы нашли в руководстве .

Этот код не был ' • работать с моделью, состоящей из базовой модели VGG19 и нескольких дополнительных слоев, добавленных поверх нее. Проблема заключалась в том, что базовая модель VGG19 была вставлена ​​как «слой» внутри нашей модели, и, очевидно, код GradCAM не знал, как с ней справиться - мы получили ошибку «Graph отключен ...». Затем после некоторой отладки (выполненной другим членом команды, а не мной) нам удалось изменить исходный код, чтобы он работал для такой модели, которая содержит в себе другую модель. Идея состоит в том, чтобы добавить внутреннюю модель в качестве дополнительного аргумента класса GradCAM. Поскольку это может быть полезно для других, я включаю модифицированный код ниже (мы также переименовали класс GradCAM в My_GradCAM).

class My_GradCAM:
    def __init__(self, model, classIdx, inner_model=None, layerName=None):
        self.model = model
        self.classIdx = classIdx
        self.inner_model = inner_model
        if self.inner_model == None:
            self.inner_model = model
        self.layerName = layerName 

[...]

        gradModel = tensorflow.keras.models.Model(inputs=[self.inner_model.inputs],
                  outputs=[self.inner_model.get_layer(self.layerName).output,
                  self.inner_model.output])                                   

Тогда класс можно создать, добавив внутреннюю модель в качестве дополнительного аргумента, например:

cam = My_GradCAM(model, None, inner_model=model.get_layer("vgg19"), layerName="block5_pool")

Надеюсь, это поможет.

Редактировать: Кредит Мирта Лукас за отладку и поиск решения.

Answer 2

Я понял это. Если вы настраиваете модель, расширяющую базовую модель vgg16 собственными слоями, а не вставляете базовую модель в новую модель, такую ​​как слой, то это работает. Сначала настройте модель и обязательно объявите input_tensor.

inp = layers.Input(shape=(imsize[0], imsize[1], imsize[2]))
base_model = tf.keras.applications.VGG16(include_top=False, weights='imagenet', input_tensor=inp,
                                          input_shape=(imsize[0], imsize[1], imsize[2]))

Таким образом, нам не нужно включать строку типа x=base_model(inp), чтобы показать, какой ввод мы хотим вставить. Это уже включено в tf.keras.applications.VGG16(...).

вместо Поместив эту базовую модель vgg16 в другую модель, проще сделать gradcam, добавив слои к самой базовой модели. Я получаю вывод последнего слоя VGG16 (с удаленным верхним слоем), который является слоем пула.

block5_pool = base_model.get_layer('block5_pool')
x = global_average_layer(block5_pool.output)
x = fc1(x)
x = prediction(x)

model = tf.keras.models.Model(inputs = inp, outputs = x)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
                  loss='binary_crossentropy',
                  metrics=['accuracy'])

Теперь я беру слой для визуализации, LAYER_NAME='block5_conv3'.

# Create a graph that outputs target convolution and output
grad_model = tf.keras.models.Model(inputs = [model.input], 
                                   outputs=[model.output, model.get_layer(LAYER_NAME).output])

print(model.get_layer(LAYER_NAME).output)
# Get the score for target class

# Get the score for target class
with tf.GradientTape() as tape:
    predictions, conv_outputs = grad_model(img)
    loss = predictions[:, 1]
print('Prediction shape:', predictions.get_shape())
# Extract filters and gradients
output = conv_outputs[0]
grads = tape.gradient(loss, conv_outputs)[0]