Vertex Explainable AI 提供圖像資料的內建可視化功能。您可以為 AutoML 圖片分類模型設定示意圖。
要求圖像分類模型的解釋時，您會收到預測類別，以及重疊圖像，顯示哪些像素 (積分梯度) 或區域 (積分梯度或 XRAI) 影響了預測結果。
下圖顯示哈士奇圖片上的視覺化效果。左側的示意圖採用積分梯度方法，並醒目顯示正面歸因的區域。正確的視覺化呈現會使用 XRAI 方法，並以色階顯示影響預測結果的程度，較低 (藍色) 和較高 (黃色) 的影響力區域會以不同顏色標示。
您使用的資料類型會影響您是否要使用整合式漸層或 XRAI 方法，以圖像化方式呈現說明。
- XRAI 通常更適合處理自然圖片，並提供更優質的高層次深入分析摘要，例如顯示正面歸因與狗臉形狀的關聯。
- 積分梯度 (IG) 通常會提供像素層級的詳細資料，有助於找出更精細的歸因。
如要進一步瞭解歸因方法，請參閱 Vertex Explainable AI 的總覽頁面。
開始使用
訓練支援 Vertex Explainable AI 的 AutoML 模型時設定圖表，並在部署模型時啟用說明功能。
視覺化選項
預設和建議的設定取決於歸因方法 (積分梯度或 XRAI)。以下清單說明設定選項和使用方式。如需選項的完整清單，請參閱 Visualization 訊息的 API 參考資料。
type：所使用的圖表類型：OUTLINES或PIXELS。只有在使用積分梯度時，才指定這個欄位；如果您使用的是 XRAI，則無法指定這個欄位。如果是積分梯度，欄位預設為
OUTLINES，會顯示歸因區域。如要顯示每個像素的歸因，請將欄位設為PIXELS。polarity：醒目顯示歸屬資訊的方向。預設會設定positive，醒目顯示正面歸因最高的區域。也就是說，您需要標出對模型正面預測影響最大的像素。將極性設為negative會醒目顯示導致模型無法預測正類的區域。使用負極性可找出偽陰性區域，有助於對模型進行偵錯。您也可以將極性設為both，以顯示正向和負向歸因。clip_percent_upperbound：從醒目顯示的區域中排除高於指定百分位數的歸因。同時使用兩個範圍裁剪參數有助於過濾雜訊，還能更輕鬆地查看歸因較強的區塊。clip_percent_lowerbound：從醒目顯示的區域中排除低於指定百分位數的歸因。color_map：醒目顯示區域所採用的色彩配置。積分梯度預設使用pink_green：以綠色顯示正向歸因，而以粉紅色顯示負向歸因。對於 XRAI 視覺化，色彩圖為漸層。XRAI 預設使用viridis，以黃色醒目顯示最具影響力的區域，並以藍色標示影響力最低的區域。如需可能值的完整清單，請參閱
Visualization訊息的 API 參考資料。overlay_type：原始圖片在視覺化呈現方式。如果難以查看原始圖片的視覺化內容，調整覆疊圖層或許可以提高視覺清晰度。如需可能值的完整清單，請參閱
Visualization訊息的 API 參考資料。
設定範例
首先，請參考以下 Visualization 設定範例，並查看一系列設定的圖片。
積分梯度
如果歸因區域雜訊過多，您可能需要調整整合漸層的剪輯值。
visualization: {
"type": "OUTLINES",
"polarity": "positive",
"clip_percent_lowerbound": 70,
"clip_percent_upperbound": 99.9,
"color_map": "pink_green",
"overlay_type": "grayscale"
}
以下是使用 outlines 和 pixels 兩種類型的兩個圖表。標示為「僅高度預測」、「中度預測」和「幾乎全部」的欄位，是不同等級的裁剪範例，可協助您將視覺化圖表聚焦在特定範圍。
XRAI
針對 XRAI 圖表，建議您一開始不設定 XRAI 的裁剪值，因為疊加圖層會使用漸層顯示高低歸因區域。
visualization: {
"clip_percent_lowerbound": 0,
"clip_percent_upperbound": 100,
"color_map": "viridis",
"overlay_type": "grayscale"
}
下圖為使用預設 viridis 色彩圖和一系列疊加類型的 XRAI 視覺化圖表。黃色區域代表對預測結果影響最大的區域。
