拒绝暴力调参！推荐一个模型Debug神器！

近些年深度学习在视觉、自然语言处理、语音等各个技术方向都诞生了不少创新应用，如智能识别医疗图像中的病灶，辅助医生做病情诊断；智能判别生产线上有质量问题的产品，减轻人工质检压力；对政务、金融等流程中的证件票据进行信息识别，加速审批并实现流程电子化；识别用户输入的语句，与知识库中相应的问答进行匹配，实现智能客服问答等。

随着智能应用的爆发式发展，构建高精模型成为每个企业都在持续探索的命题。然而，在构建深度学习模型的过程中，当遇到模型效果不能满足要求，需要进一步定位问题和调优效果时，由于深度学习模型是一个“黑盒”，开发者并不知道它做出错误决策的准确原因，因此很难采取有针对性的效果优化策略。这个时候就非常让人头疼了。

不用慌，本文就专门针对神经网络模型的黑箱特性，构建了一个模型debug神器，可以轻松帮助从业者“解释”模型的效果，甚至透视模型的决策。

针对这一诉求，百度飞桨企业版EasyDL零门槛AI开发平台在原有完善详实的模型评估报告基础上，进一步新增上线了 混淆矩阵 和 CNN热力图 功能，即使大家对深度学习了解不多，也可以快速依据可视化评估结果制定更为精准的优化方案。下面将为大家逐一介绍模型指标、错误示例（BadCase）、混淆矩阵、CNN热力图等各个功能。

EasyDL模型评估提供多项指标，多角度展现模型效果信息

EasyDL基于飞桨开源深度学习平台，面向企业AI应用开发者提供零门槛AI开发平台，实现零算法基础定制高精度AI模型。EasyDL提供一站式的智能标注、模型训练、服务部署等全流程功能，内置丰富的预训练模型，支持公有云、设备端、私有服务器、软硬一体方案等灵活的部署方式。

目前，EasyDL通过百度智能云已经服务超过80万企业用户，在工业制造、安全生产、零售快消、智能硬件、文化教育、政府政务、交通物流、互联网等领域广泛落地。

在EasyDL完成模型开发后可以获得平台提供的各项详细的模型评估指标，以图像分类模型为例，除了整体的准确率之外，还可以看精确率、召回率、F1-score、TOP5准确率等。

除了模型整体的指标之外，还可以看每一项类别的F1-score值，从而帮助开发者发现具体哪一类别的识别效果较差。针对这些较差的类别，开发者可以有针对性地去看那些被预测错误的样本，也就是常说的BadCase。开发者可以检查这些类别是否样本量过少，需要补充数据；是否有脏数据存在，影响了模型学习。

在物体检测上也类似，整体指标上可以观测mAP、最佳阈值下检测的精确率、召回率等。因为检测模型会输出很多的检测框，而有相当一部分检测框的概率比较低，一般会设置一个阈值来过滤掉那些低概率的检测框。通过设置不同的阈值，模型便会有不同的精确率、召回率和F1-score。在模型预测时，通常取F1-score最高的阈值当做最佳阈值，这样能够较好地平衡精确率和召回率，尽量减少漏检、错检等问题。

与分类任务类似，在物体检测模型的评估中也可以查看各个类别的精度，来判断哪些类别的检测效果欠佳。找到这些问题比较大的类别之后，同样也可以查看BadCase。检测问题里的BadCase详细区分了“误识别”和“漏识别”这两种情况，从而方便开发者看检测出错的各类情况。开发者可以检查对应类别的标注框是否过少，是否有框标注错误需要修正。

新增混淆矩阵与热力图两大功能，高效展示模型效果问题

除了上面这些经典常用的方法外，为了更有针对性地比较易混淆的类别，EasyDL近期重磅上线了混淆矩阵的功能。在混淆矩阵中，开发者可以方便地看到具体哪两种类别之间容易产生混淆，例如，类别A较多地被识别成了类别B。根据这些信息，开发者可以发现是不是训练数据存在问题，例如相似类别的图片有标注错误；或是这些相似类别的图片太少，导致模型没有学习充分。开发者可以依据混淆矩阵提供的信息，对模型数据进行补充与调整。

看到这里，你会发现，EasyDL在评估模型效果时，通常是从数据的角度去发现现有模型的问题，通过优化数据来优化模型效果的。为什么会选择这样的策略呢？在深度学习领域有一句话很流行，“Garbage in , garbage out.”意思就是说如果开发者给了深度学习模型一堆标注质量差的“垃圾”数据，就会得到一个精度很低的“垃圾”模型，这句话时刻提醒开发者，数据质量与模型效果直接相关。因此，从数据角度进行模型效果的问题定位、并配合相应数据的调整，往往是最直接高效的。对于EasyDL的企业应用级开发者而言，从数据角度解决问题，不要求用户进行高深的算法研究，可以零代码快速提升模型精度。

除了上面这些方法外，还有一些更专业的透视模型手段，被业界称之为模型可解释性方法。飞桨开源了业界主流的可解释性方法在GitHub上，这里面既包括基于输入特征的方法（如Intergrated Gradients, SmoothGrad, LIME等），也包括基于中间特征的方法（如GradCAM，ScoreCAM等）。大家可以通过以下链接查阅：

https://github.com/PaddlePaddle/InterpretDL

在这些方法中，针对CNN网络有一个观察网络中激活情况的技术，可以更深入地了解模型的行为。这也是EasyDL模型评估热力图功能的技术基础。

以CAM算法为例，在CNN网络的最后一个特征图（Feature Map）上，哪些位置被激活是非常重要的信息，它直接影响后续网络中分类器的判断。但是这些特征图除了长宽两个维度外，还有一个通道的维度，开发者如何才能把不同通道的特征图叠加到一起呢？CAM提供一种加权的方法，即根据最后一个全连接层中的权重来加权。如上图示例，如果开发者想观察“狗”这个类别的激活情况，那么就把全连接层中各个通道到狗这个类别的权重W1, W2, …, Wn找出来，然后用这些权重对各通道特征图进行加权求和，就会得到一个两维的激活状态图。从这个状态图中，开发者可以看到原图里狗出现的位置被激活了，而其他区域（如人）则数值很小，没有对预测起作用。通过这样的“透视”，开发者可以更深入地了解模型内部的运作情况，一定程度地理解模型为什么得到了某个预测结果。根据这些信息，开发者可以选择通过补充、优化数据来引导模型学习地更好，也可以选择通过调整模型结构来优化模型的表现。

有些方法不仅适用于CNN的视觉模型，也适用于自然语言处理模型和传统机器学习模型。EasyDL也会不断集成相关能力。比如NLP的情感分类任务中，我们想知道为什么文本模型对一句话预测为正面或负面的评论。利用积分梯度（Integrated Gradients）的方法，在文本模型中把全零的嵌入向量作为基线，得到当前嵌入向量的积分梯度。从而反应不同输入词对预测结果的影响，可视化结果如下图：