Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
PaddlePaddle
PaddleX
提交
8dcd4d92
P
PaddleX
项目概览
PaddlePaddle
/
PaddleX
通知
136
Star
4
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
43
列表
看板
标记
里程碑
合并请求
5
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
PaddleX
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
43
Issue
43
列表
看板
标记
里程碑
合并请求
5
合并请求
5
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
8dcd4d92
编写于
5月 20, 2020
作者:
S
sunyanfang01
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
add vis docs
上级
3aff3f2f
变更
2
隐藏空白更改
内联
并排
Showing
2 changed file
with
18 addition
and
2 deletion
+18
-2
docs/apis/visualize.md
docs/apis/visualize.md
+6
-2
paddlex/interpret/visualize.py
paddlex/interpret/visualize.py
+12
-0
未找到文件。
docs/apis/visualize.md
浏览文件 @
8dcd4d92
...
...
@@ -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
浏览文件 @
8dcd4d92
...
...
@@ -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。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录