3.感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式。算法简单且易于实现。原始形式中，首先任意选取一个超平面，然后用梯度下降法不断极小化目标函数。

LIME是一种模块化和可扩展的方法，可以对任何模型做可解释性分析的预测。还引入了SP-LIME，这是一种选择代表性和非冗余预测的方法，为用户提供了模型的全局视图。论文中实验表明，解释对于文本和图像领域中与信任相关的任务中的各种模型都很有用，可供非专业人士使用。比较麻烦，因为要对待测数据进行扰动，RGB三个通道的像素矩阵很难在像素层面上进行扰动，得自己设计一套扰动的范式。把模型预测的结果作为标注 ，

LIME是一种模块化和可扩展的方法，可以对任何模型做可解释性分析的预测。还引入了SP-LIME，这是一种选择代表性和非冗余预测的方法，为用户提供了模型的全局视图。论文中实验表明，解释对于文本和图像领域中与信任相关的任务中的各种模型都很有用，可供非专业人士使用。比较麻烦，因为要对待测数据进行扰动，RGB三个通道的像素矩阵很难在像素层面上进行扰动，得自己设计一套扰动的范式。把模型预测的结果作为标注 ，

本文主要演示了对shap、LIME两个工具包的使用shap是一种解释任何机器学习模型输出的博弈论方法，它利用博弈论中的经典Shapley值及其相关扩展将最优信贷分配与局部解释联系起来。LIME帮助解释学习模型正在学习什么以及为什么他们以某种方式预测。目前支持对表格的数据，文本分类器和图像分类器的解释。

使用Pytorch通常有三种方式构建模型：使用 nn.Sequential按层顺序构建模型，继承 nn.Module基类构建自定义模型，继承 nn.Module基类构建模型并辅助应用模型容器进行封装。此处选择使用最简单的 nn.Sequential，按层顺序模型。print(net)

本节使用深度学习框架Pytorch，在lmageNet预训练图像分类模型基础上，对自己的30类水果图像分类数据集进行迁移学习微调训练（两个函数），得到自己的图像分类模型。在训练过程中，记录训练集和测试集的损失函数、准确率、Precision、Recall、f1-score等评估指标，使用wandb可视化面板监控。

通常我们在训练模型时可以使用很多不同的框架，比如有的同学喜欢用 Pytorch，有的同学喜欢使用TensorFLow，也有的喜欢wXNet，以及深度学习最开始流行的caffe等等，这样不同的训练框架就导致了产生不同的模型结果包，在模型进行部署推理时就需要不同的依赖库，而且同一个框架比如tensorflow不同的版本之间的差异较大，为了解决这个混乱问题，LF Al这个组织联合Facebook, Mi

这部分之前在可解释机器学习里面听过，但是当时在实战部分说实话就是跟着打了遍代码，对其过程了解的并不是那么清楚，希望本次能够有所收获。不同拍摄环境（光照、设备、拍摄角度、遮挡、远近、大小）老师给的数据测试集81个文件夹，训练集也81个文件夹。多样性、代表性、一致性——包含多种场景，防止过拟合。不同形态（完整西瓜、切瓣西瓜、切块西瓜）不同图像域（照片、漫画、剪贴画、油画）【B3】制作图像分类数据集的注

本文主要演示了对shap、LIME两个工具包的使用shap是一种解释任何机器学习模型输出的博弈论方法，它利用博弈论中的经典Shapley值及其相关扩展将最优信贷分配与局部解释联系起来。LIME帮助解释学习模型正在学习什么以及为什么他们以某种方式预测。目前支持对表格的数据，文本分类器和图像分类器的解释。

并不适合直接用来学习Pytorch，主要面向于Pytorch的运用，视频中基本上就是将流程过一遍，讲的没有想象中那么细，可能是因为自己毕竟也有蛮多东西是本身就不懂的，然后预训练的方面也很全，图片、视频、实时画面都照顾到了，还有英文与中文的问题，总的来说还是干货满满的