沧州网站建设王宝祥,毛衣品 东莞网站建设,营销型网站是什么,东北石油大学秦皇岛吧大多数模型都是黑盒#xff0c;其内部逻辑对最终用户是隐藏的。为了鼓励透明度#xff0c;我们通过简单地将Interface类中的interpretation关键字设置为default#xff0c;使得向模型添加解释变得非常容易。这允许您的用户了解输入的哪些部分负责输出。
1、Interpret解释 …大多数模型都是黑盒其内部逻辑对最终用户是隐藏的。为了鼓励透明度我们通过简单地将Interface类中的interpretation关键字设置为default使得向模型添加解释变得非常容易。这允许您的用户了解输入的哪些部分负责输出。
1、Interpret解释
我们来一个图片的分类器带一个Interpret解释这里将会下载人类可读的ImageNet标签是在站点https://git.io/JJkYN上面返回的标签所以需要用到科学上网。
import requests
import tensorflow as tfimport gradio as grinception_net tf.keras.applications.MobileNetV2() # 加载模型# 下载人类可读的ImageNet标签
response requests.get(https://git.io/JJkYN)
labels response.text.split(\n)def classify_image(inp):inp inp.reshape((-1, 224, 224, 3))inp tf.keras.applications.mobilenet_v2.preprocess_input(inp)prediction inception_net.predict(inp).flatten()return {labels[i]: float(prediction[i]) for i in range(1000)}image gr.Image(shape(224, 224))
label gr.Label(num_top_classes3)#demo gr.Interface(fnclassify_image, inputsimage, outputslabel, interpretationdefault)
demo gr.Interface(fnclassify_image, inputsimage, outputslabel, interpretationshap, num_shap5)demo.launch()
如下图输入一张猫(猞猁)的图片然后右边输出3个概率从大到小排序的分类标签 然后点击Interpret我们来看下效果对重要部分进行了遮罩突出显示也就是输出重要性判别的输入的地方做个解释。 2、高亮显示
适用于任何函数即使在内部模型是一个复杂的神经网络或其他黑盒子。如果使用Gradio的默认解释或形状解释则输出组件必须是Label。支持所有常用输入组件。 下面是一个文本输入的示例
import gradio as grmale_words, female_words [he, his, him], [she, hers, her]def gender_of_sentence(sentence):male_count len([word for word in sentence.split() if word.lower() in male_words])female_count len([word for word in sentence.split() if word.lower() in female_words])total max(male_count female_count, 1)return {male: male_count / total, female: female_count / total}demo gr.Interface(fngender_of_sentence,inputsgr.Textbox(valueShe went to his house to get her keys.),outputslabel,interpretationdefault,
)demo.launch()
将显示男女比例然后我们点击Interpret将会看到界面会自动突出显示文本(或图像等)中重要部分。颜色的强度与输入部分的重要性相对应。降低类置信度的部分用蓝色突出显示。
3、常见错误处理
3.1、安装tensorflow
我们安装任何包个人依然推荐加豆瓣镜像
pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com tensorflow
这里有个比较奇怪的问题最开始我是这么安装也是一直以来的常见安装方法
pip install tensorflow -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
看到区别了吗就是将tensorflow放在了install后面这样的情况会出现下面这样的错误 WARNING: Ignoring invalid distribution -sonschema (d:\anaconda3\envs\pygpu\lib\site-packages) WARNING: Ignoring invalid distribution -sonschema (d:\anaconda3\envs\pygpu\lib\site-packages) Collecting http://pypi.douban.com/simple/ Downloading http://pypi.douban.com/simple/ (24.7 MB) ---------------------------------------- 24.7/24.7 MB 11.9 MB/s eta 0:00:00 ERROR: Cannot unpack file C:\Users\Tony\AppData\Local\Temp\pip-unpack-2d7n8372\simple.html (downloaded from C:\Users\Tony\AppData\Local\Temp\pip-req-build-5xqb8otu, content-type: text/html); cannot detect archive format ERROR: Cannot determine archive format of C:\Users\Tony\AppData\Local\Temp\pip-req-build-5xqb8otu WARNING: Ignoring invalid distribution -sonschema (d:\anaconda3\envs\pygpu\lib\site-packages) WARNING: Ignoring invalid distribution -sonschema (d:\anaconda3\envs\pygpu\lib\site-packages) WARNING: Ignoring invalid distribution -sonschema (d:\anaconda3\envs\pygpu\lib\site-packages) 翻译过来的意思就是无法解包文件无法检测存档格式无法确定归档格式。
在以前安装tensorflow是在一个新的虚拟环境没有问题这个是在有MXNet的里面安装的出现上述错误然后试着将tensorflow放到最后面没有想到竟然成功安装。
3.2、安装scikit-image
其中点击Interpret需要安装skimage
ModuleNotFoundError: No module named skimage
同样的方法安装即可只不过这里需要注意名称
pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com scikit-image
3.3、安装shap
指定一些参数interpretation设置为shap可以修改num_shap参数该参数控制精度和运行时之间的权衡(增加该值通常会提高精度)。
demo gr.Interface(fnclassify_image, inputsimage, outputslabel, interpretationshap, num_shap5)
在指定interpretationshap参数的时候我们如果没有安装shape也将报shap不存在的错误。
ModuleNotFoundError: No module named shap
pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com shap
4、并行与串行
4.1、并行Parallel
Gradio可以让你很容易地使用Gradio来混合界面。Parallel允许你将两个相似的模型(如果它们具有相同的输入类型)并行放置以比较模型预测
generator1 gr.load(huggingface/gpt2)
generator2 gr.load(huggingface/EleutherAI/gpt-neo-2.7B)
generator3 gr.load(huggingface/EleutherAI/gpt-j-6B)gr.Parallel(generator1, generator2, generator3).launch()
这样就可以比较几个模型的输出效果。
4.2、串行Series
我们也可以使用Series将两个模型串联起来比如将第一个模型的输出作为第二个模型的输入下面就是通过gpt2得到输出的信息然后这些输出信息作为输入进入t5-small模型处理成德语进行最终的输出。
generator gr.load(huggingface/gpt2)
translator gr.load(huggingface/t5-small)gr.Series(generator, translator).launch() 如图输出的英文再翻译成德语 有兴趣的可以查阅其余章节
Gradio的web界面演示与交互机器学习模型安装和使用《1》Gradio的web界面演示与交互机器学习模型主要特征《2》Gradio的web界面演示与交互机器学习模型分享应用《3》Gradio的web界面演示与交互机器学习模型全局状态与会话状态《4》Gradio的web界面演示与交互机器学习模型接口自动刷新或连续刷新数据流《5》
