使用SHAP GradientExplainer分析Inception V3时遇输入张量错误求助

我之前成功用GradientExplainer可视化过Inception V3的结果，你的错误核心就是输入数据的形状/ dtype和模型输入层要求不匹配，和Inception V3的299×299输入尺寸直接相关，以下是具体排查和解决步骤：

• 确认输入数据的基本属性

  1. 检查形状：输入样本必须是(样本数, 299, 299, 3)，别沿用VGG/MobileNet的224尺寸。单张图要扩展维度成(1,299,299,3)（比如用np.expand_dims(img, axis=0)），可以用x.shape查看当前形状。
  2. 检查数据类型：模型输入要求float类型，确保数据是float32或float64，别是直接读入图片的uint8格式。用x.dtype查看，不对的话转换：x = x.astype('float32')。

• 核对模型输入层的要求
  打印模型输入层信息确认：

  print(model.input)
  

  输出应类似Tensor("input_1:0", shape=(None, 299, 299, 3), dtype=float32)，如果形状不对，说明加载模型时输入层设置有误。

• 正确的代码示例流程

  import shap
  import numpy as np
  from tensorflow.keras.applications.inception_v3 import InceptionV3, preprocess_input
  
  # 加载训练好的模型
  model = InceptionV3(weights='your_trained_weights.h5', include_top=True, input_shape=(299,299,3))
  
  # 准备测试样本
  img = load_your_image() # 自行实现加载逻辑，确保尺寸为299×299×3
  img = preprocess_input(img) # 用官方预处理，符合模型输入要求
  x = np.expand_dims(img, axis=0) # 扩展批量维度
  
  # 初始化GradientExplainer并计算SHAP值
  explainer = shap.GradientExplainer(model, x)
  shap_values = explainer.shap_values(x)
  
  # 可视化结果
  shap.image_plot(shap_values, x)
  

• 容易踩的坑

  • 预处理错误：InceptionV3的预处理不是简单除以255，而是(x / 255.0 - 0.5) * 2，用官方preprocess_input最稳妥。
  • 背景样本不匹配：如果用背景样本初始化GradientExplainer，背景样本的形状、dtype必须和输入样本完全一致，不能用224尺寸的背景数据。

内容的提问来源于stack exchange，提问作者Maral