add vis docs

docs/apis/visualize.md

@@ -124,7 +124,11 @@ paddlex.interpret.visualize(img_file,
                             batch_size=50,
                             save_dir='./')
 ```
-将模型预测结果的可解释性可视化，目前只支持分类模型。
+将模型预测结果的可解释性可视化，支持LIME和NormLIME两种可解释性算法。  
+LIME表示与模型无关的局部可解释性，可以解释任何模型。LIME的思想是以输入样本为中心，在其附近的空间中进行随机采样，每个采样通过原模型得到新的输出，这样得到一系列的输入和对应的输出，LIME用一个简单的、可解释的模型（比如线性回归模型）来拟合这个映射关系，得到每个输入维度的权重，以此来解释模型。  
+NormLIME则是利用一定数量的样本来出一个全局的解释。NormLIME会提前计算一定数量的测试样本的LIME结果，然后对相同的特征进行权重的归一化，这样来得到一个全局的输入和输出的关系。  
+
+**注意：** 可解释性结果可视化目前只支持分类模型。
 
 ### 参数
 >* **img_file** (str): 预测图像路径。
@@ -135,6 +139,6 @@ paddlex.interpret.visualize(img_file,
 >* **batch_size** (int): 预测数据batch大小，默认为50。
 >* **save_dir** (str): 可解释性可视化结果（保存为png格式文件）和中间文件存储路径。 
 
-
+**注意：** `dataset`参数只有在`algo`为"normlime"的情况下才使用，`dataset`读取的是一个数据集，该数据集不宜过大，否则计算时间会较长，但应包含所有类别的数据。
 ### 使用示例
 > 对预测可解释性结果可视化的过程可参见[代码](https://github.com/PaddlePaddle/PaddleX/blob/develop/tutorials/interpret/interpret.py)。

paddlex/interpret/visualize.py

@@ -31,6 +31,18 @@ def visualize(img_file,
               batch_size=50,
               save_dir='./'):
     """可解释性可视化。
+    
+    将模型预测结果的可解释性可视化，支持LIME和NormLIME两种可解释性算法。  
+    LIME表示与模型无关的局部可解释性，可以解释任何模型。LIME的思想是以输入样本为中心，
+    在其附近的空间中进行随机采样，每个采样通过原模型得到新的输出，这样得到一系列的输入
+    和对应的输出，LIME用一个简单的、可解释的模型（比如线性回归模型）来拟合这个映射关系，
+    得到每个输入维度的权重，以此来解释模型。  
+    NormLIME则是利用一定数量的样本来出一个全局的解释。NormLIME会提前计算一定数量的测
+    试样本的LIME结果，然后对相同的特征进行权重的归一化，这样来得到一个全局的输入和输出的关系。
+    
+    注意：dataset参数只有在algo为"normlime"的情况下才使用，dataset读取的是一个数据集，
+         该数据集不宜过大，否则计算时间会较长，但应包含所有类别的数据。
+         
     Args:
         img_file (str): 预测图像路径。
         model (paddlex.cv.models): paddlex中的模型。