文件名称：attributionpriors:使用归因先验训练可解释模型的工具
文件大小：94.51MB
文件格式：ZIP
更新时间：2024-05-24 14:59:38
machine-learning tensorflow artificial-intelligence interpretable-deep-learning JupyterNotebook
归因先验 一个使用归因先验训练可解释模型的存储库。 该存储库包含用于将模型先验和模型解释的机器学习主题与一种称为归因先验的新方法相连接的工具，该方法在我们的“使用归因先验学习可解释模型”中进行了讨论。 该软件包包含： 一种可微的公理特征归因方法，称为期望梯度。 Tensorflow和PyTorch操作可在训练期间直接规范化预期的梯度归因。 如何在训练过程中对期望的梯度属性的任意微分函数进行正则化以对有关建模任务的先验知识进行编码的示例。 有关如何使用此存储库/如何使用归因先验进行训练的更多指导， Convergence Demo.ipynb笔记本中提供了PyTorch最快的演示之一。 对于Tensorflow快速演示，请参阅example_usage.ipynb笔记本电脑（旧版本TensorFlow的）和example_usage_tf2.ipynb在这个仓库的*目录笔记本电脑
【文件预览】：
attributionpriors-master
----images()
--------image.png(260KB)
--------graph.png(143KB)
--------sparsity.png(262KB)
----mnist()
--------with_prior()
--------with_prior.ipynb(298KB)
--------without_prior()
--------without_prior.ipynb(311KB)
----graph()
--------Graph_Attribution_Prior.ipynb(77KB)
--------.gitkeep(0B)
----LICENSE(1KB)
----Convergence Demo.ipynb(137KB)
----example_usage.ipynb(457KB)
----setup.py(1KB)
----.gitignore(2KB)
----README.md(13KB)
----example_usage_tf2.ipynb(135KB)
----attributionpriors()
--------pytorch_ops.py(10KB)
--------mnist()
--------eager_ops.py(10KB)
--------pytorch_ops_cpu.py(5KB)
--------__init__.py(0B)
--------ops.py(12KB)
----sparsity()
--------X_sparsity.csv(7.9MB)
--------y_sparsity.npy(105KB)
--------results()
--------plot_results.ipynb(381KB)
--------run_sparsity_experiments.py(13KB)