DeepLIFT with Python — How Baseline Choice Affects Attributions // #Видео

В этом уроке мы применяем метод DeepLIFT с использованием Captum и Python, чтобы изучить, как различные варианты базовых значений влияют на результаты атрибуции. Используя модель ResNet-18, дообученную для классификации изображений кошек и собак, мы рассматриваем четыре базовых значения: нулевое, среднее, размытое и другое входное изображение — и сравниваем полученные карты значимости. Главный вывод заключается в том, что выбор базового значения важен для всех методов объяснимости на основе эталонных данных, а эксперименты с несколькими базовыми значениями позволяют с большей уверенностью определить, какие признаки влияют на результат. Этот урок является частью бесплатного курса по объяснимому ИИ для компьютерного зрения и глубокого обучения.

▪️Перейти к просмотру [13:46]

Python Expert | Программирование