OpenAI推出神经元可视化“显微镜”，支持8个常见CV模型

神经网络一直以“黑箱”的存在形式，让人捉摸不透。

比如一个汽车识别模型（14c： 447），它究竟是怎么认出图片中的汽车的？如果我们可以看到模型内部，我们可以发现14c： 447是由一个轮子探测器（4b： 373）和一个窗口探测器（4b： 237）构成的。

OpenAI最近推出了一个有趣的工具“显微镜（OpenAI Microscope）”就可以做到这一点，借助OpenAI显微镜，研究人员可以更好地理解神经网络的结构和行为。

OpenAI表示，神经网络是成千上万神经元相互作用的结果（有时成千上万甚至更多），而OpenAI显微镜就像一个神经元可视化图书馆，能够快速、方便地详细研究这些神经元的相互作用，并分享这些观察结果。

OpenAI网址：

https://microscope.openai.com/

在 OpenAI 显微镜网站上，OpenAI指出，“ OpenAI 显微镜是几个常见的‘model organisms’的每一个网络层和神经元的可视化集合，被用来研究神经网络的可解释性。显微镜可以让研究人员更容易地分析这些神经网络内部形成的特征，我们也希望它能够帮助研究人员理解这些复杂的系统。”

“尽管我们将这项技术提供给任何有兴趣探索神经网络如何工作的人，但我们认为其主要价值在于提供持久的、共享的人工智能模型，以促进对这些模型的长期比较研究。我们也希望拥有相近专业知识的研究人员ーー例如神经科学ーー能够更容易地了解这些视觉模型的内部运作方式，从中找到价值。”

为了进一步解释工作原理，OpenAI表示： “ OpenAI 显微镜基于两个概念，一个是模型中的位置，另一个是其应用的技术，比喻地说，位置就是你指向显微镜的地方，技术就是显微镜上面的镜头。”

此外，模型是由一个节点图体现的，也就是通过边连接的神经网络层。每个节点包含数百个单元，大致类似于神经元。大多数正在使用的技术只有在特定的分辨率下才有用。例如，特征可视化只能指向一个单元，而不能指向它的父节点。

在介绍显微镜的同时，OpenAI也表示希望显微镜将有助于电路协作工作，通过了解神经元之间的连接，对神经网络进行逆向工程。

目前，OpenAI显微镜对包括AlexNet系列、Inception系列、ResNet V2 50和VGG19在内的8个常见图像识别模型提供支持。

除了OpenAI的显微镜试图对神经元进行可视化，一些公司也试图对机器学习模型进行可视化。比如Facebook的Captum就试图可视化解释Pytorch机器学习模型所做的决定，支持跨模式的模型的可解释性，包括CV、NLP模型，可以支持大多数类型的 PyTorch 模型，只需对原始神经网络进行最小修改即可使用。

Captum网址：

https://captum.ai/

可以说从神经网络模型出现开始，研究人员就对其如何预测充满好奇，可解释的神经网络也成了一些研究人员的工作目标，除了刚才提到的OpenAI显微镜和Captum这些，还包括TensorBoard等工具，都是在这一方向的努力。

为何对于模型的评估信任如此重要？因为我们如果要将模型应用到一些重要行业，如果要基于模型的预测采取行动，或者选择是否部署新模型，就必须先了解它的预测机制。

毕竟对于用户来说，如果用户不信任模型或预测，他们就不会使用它。