深度神经网络可解释性方法汇总，附Tensorflow代码实现

http://nbviewer.jupyter.org/github/1202kbs/Understanding-NN/blob/master/4.3%20Grad-CAM-PP.ipynb

虽然每一种解释技术都基于其自身的直觉或数学原理，但在更抽象的层次上确定好解释的特征并能够定量地测试这些特征也很重要。这里再推荐两种基于质量和评价的可解释性方法。具体如下：

5.1 Explanation Continuity

相关代码如下：

http://nbviewer.jupyter.org/github/1202kbs/Understanding-NN/blob/master/5.1%20Explanation%20Continuity.ipynb

5.2 Explanation Selectivity

相关代码如下：

http://nbviewer.jupyter.org/github/1202kbs/Understanding-NN/blob/master/5.2%20Explanation%20Selectivity.ipynb

【编辑推荐】

1. 用Rust让numpy、scikit和pandas加速100倍！开源Weld技术揭秘
2. 管理 | 技术Leader：选OKR还是KPI？
3. 我顺藤摸瓜端了色情网站的老窝，并劝他从良_技术栈微信半月刊第52期
4. 2019全球程序员薪酬报告：软件开发比机器学习抢手！40岁后收入下滑
5. 这些欧美国家为什么限制使用人脸识别技术？

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!